Laporan Modul 5

KATA PENGANTAR
Puji syukur kami ucapkan kepada Tuhan Yang Maha Esa karena berkat
rahmat-Nya kami dapat menyelesaikan Laporan Praktikum Terintegrasi Industri II
Modul 5 Forecasting ini. Pertama penulis mengucapkan terima kasih kepada
bapak Dr. Eng Mohammad Sofitra, ST., MT selaku Kaprodi Teknik Industri serta
kepada Bapak Ivan Sujana, ST., MT dan Ibu Ratih Rahmawati, ST., MT selaku
dosen pembimbing dalam Praktikum Terintegrasi Industri II yang telah banyak
memberikan pengarahan dalam menyelesaikan laporan sehingga tepat pada
waktunya.
Pembuatan laporan ini bertujuan dalam memenuhi tugas akhir dari
Praktikum Terintegrasi Industri II yang terdiri dari 5 modul yaitu, Forecasting,
Perancangan Proses Manufaktur, Standarisasi Kerja, Perencanaan Produksi, dan
Line Balancing. Selain itu diharapkan mahasiswa mampu mengetahui peranan
praktikum dari disetiap modulnya.
Penulis menyadari laporan ini masih jauh dari sempurna. Maka dari itu
penulis memohon maaf dan akan menerima segala masukan yang diberikan untuk
menyempurnakan laporan praktikum ini. Penulis berharap laporan ini berguna
bagi siapapun yang membacanya.
Pontianak, 23 Januari 2017
Penulis
1
Praktikum Terintegrasi Industri 2
Modul 5 Forecasting
Kelompok 3
DAFTAR ISI
KATA PENGANTAR................................................................................................i
DAFTAR ISI............................................................................................................ii
DAFTAR TABEL...................................................................................................iv
DAFTAR GAMBAR...............................................................................................v
DAFTAR GRAFIK.................................................................................................vi
BAB I PENDAHULUAN........................................................................................1
1.1 Latar Belakang...........................................................................................1
1.2 Tujuan........................................................................................................2
1.3 Pembatasan Masalah..................................................................................2
BAB II TINJAUAN PUSTAKA..............................................................................4
2.1 Definisi Peramalan.....................................................................................4
2.2 Tahapan Peramalan....................................................................................5
2.3 Fungsi Peramalan.......................................................................................5
2.4 Macam Peramalan......................................................................................6
2.5 Pola Data untuk Time Series......................................................................8
2.6 Metode Deret Waktu (Time Series)..........................................................10
2.7 Model Model Kausal............................................................................13
2.8 Pemilihan dan Evaluasi Metode-Metode Peramalan...............................13
2.9 Uji Kesalahan Peramalan (Uji Verifikasi)................................................15
2.10 Uji Validasi...............................................................................................21
BAB III PENGOLAHAN DATA DAN PEMBAHASAN.....................................24
3.1 Pengumpulan Data Historis Sebelum Konversi dan Sesudah Konversi..24
3.1.1 Pengumpulan Data Sebelum Konversi............................................24
3.1.2 Pengumpulan Data Setelah Konversi...............................................25
3.2 Pengolahan Data......................................................................................26
Program Studi Teknik Industri

Universitas Tanjungpura 2
Modul 5 Forecasting
Kelompok 3
3.2.1 Plotting Data....................................................................................26
3.2.2 Peramalan dengan beberapa metode................................................26
3.2.3 Rekapitulasi Nilai Error dan Verifikasi Data...................................56
3.2.4 Validasi Metode................................................................................56
3.2.5 Hasil Peramalan yang Digunakan....................................................58
BAB IV ANALISA................................................................................................59
4.1 Analisis Terhadap Beberapa Metode.......................................................59
4.1.1 Analisis Metode Simple Average.....................................................59
4.1.2 Analisis Metode Single Moving Average.........................................60
4.1.3 Analisis Metode Single Exponential Smoothing..............................62
4.1.4 Analisis Metode Weight Moving Average........................................63
4.1.5 Analisis Metode Double Exponential Smoothing............................64
4.1.6 Analisis Metode Linier Regresi.......................................................65
4.2 Analisis Verifikasi....................................................................................65
4.3 Analisis Metode Terpilih..........................................................................66
4.4 Analisis Validasi.......................................................................................66
BAB V PENUTUP.................................................................................................68
5.1 Kesimpulan..............................................................................................68
5.2 Saran........................................................................................................69
DAFTAR PUSTAKA.............................................................................................70

Modul 5 Forecasting
Kelompok 3
DAFTAR TABEL
Tabel 3.1 Pengumpulan Data Sebelum Konversi...................................................24
Tabel 3.2 Pengumpulan Data Setelah Konversi.....................................................25
Tabel 3.3 Metode Simple Average..........................................................................29
Tabel 3.4 Metode Single Moving Average.............................................................34
Tabel 3.5 Metode Single Exponential Smoothing atau SES...................................39
Tabel 3.6 Metode Weight Moving Average............................................................44
Tabel 3.7 Metode Double Exponential Smooting..................................................49
Tabel 3.8 Metode Linier Regresi............................................................................54
Tabel 3.9 Rekapitulasi Nilai Error dan Verifikasi Data.........................................56
Tabel 3.10 Tabel Perhitungan Validasi Metode Terpilih........................................57
Tabel 3.11 Tabel Peramalan 12 Periode ke depan..................................................58

Modul 5 Forecasting
Kelompok 3
DAFTAR GAMBAR
Gambar 2.1 Contoh Pola Data Horizontal...............................................................9
Gambar 2.2 Contoh Pola Data Trend Naik..............................................................9
Gambar 2.3 Contoh Pola Data Musiman...............................................................10
Gambar 2.4 Contoh Pola Data Siklis.....................................................................10

Modul 5 Forecasting
Kelompok 3
DAFTAR GRAFIK
Grafik 3.1 Plotting Data Hasil Konversi................................................................26
Grafik 3.2 Permintaan dan Peramalan (Simple Average).......................................31
Grafik 3.3 Permintaan dan Peramalan Single Moving Average.............................36
Grafik 3.4 Permintaan dan Peramalan Single Exponential Smoothing..................41
Grafik 3.5 Permintaan dan Peramalan Weight Moving Average............................46
Grafik 3.6 Permintaan dan Peramalan Double Exponential Smooting..................51
Grafik 3.7 Permintaan dan Peramalan Linier Regresi...........................................56
Grafik 3.8 Grafik Plot Data Validasi Metode Terpilih...........................................58

Modul 5 Forecasting
Kelompok 3
BAB I
PENDAHULUAN
1.1 Latar Belakang

PT. SEDAPTU merupakan suatu perusahaan baru di Indonesia yang
berdiri pada tahun 2016 yang didirikan oleh 4 orang manajer yang bergerak
dalam bidang produk mobil mainan Tamiya 4WD. Semakin ketatnya
persaingan diantara perusahaanperusahaan mobil mainan di Indonesia
membuat PT. SEDAPTU harus memiliki strategi perusahaan yang tepat dan
efektif dalam memenangkan persaingan yang terjadi. Terutama pada PT.
SEDAPTU adalah perusahaan baru sehingga PT. SEDAPTU harus memilih
langkah langkah bisnis yang tepat dan sesuai dengan kondisi pasar. Salah
satu hal penting yang harus dilakukan PT. SEDAPTU adalah dengan
melakukan perencanaan produksi. Perencanaan produksi yang harus
dilakukan pertama kali oleh PT. SEDAPTU adalah dengan melakukan
forecasting atau peramalan. Forecasting atau peramalan memiliki definisi
sebagai aktivitas pertama dalam penentuan jadwal produksi dimasa depan.
Proses peramalan yang dilakukan didasarkan pada penentuan (prediksi)
jumlah permintaan (demand) konsumen dari sebuah produk yang kemudian
dijadikan sebagai target produksi. Penentuan target produksi sangatlah
penting bagi suatu perusahaan karena dapat menentukan langkah langkah
yang akan diambil perusahaan dalam memenuhi target produksi yang ingin
dicapai dengan tetap memperhatikan kualitas produksi dan kepuasan
konsumen.
Proses peramalan memberikan pengaruh terhadap tingkat inventori
yang akan dimiliki perusahaan. Peramalan akan memprediksi jumlah
permintaan dimasa yang akan datang atau jumlah produk yang harus
diproduksi dimasa yang akan datang sehingga dengan melakukan proses
peramalan, perusahaan akan dapat memperkirakan inventori yang harus
dilakukan dimasa depan. Peramalan akan meminimalisir terjadinya
kekurangan atau kelebihan inventori yang akan menyebabkan kerugian
diperusahaan. Peramalan juga berpengaruh terhadap service level dimana

Modul 5 Forecasting
Kelompok 3
apabila perusahaan dapat memprediksi demand dengan tepat maka

perusahaan akan dapat memenuhi permintaan konsumen dengan cepat dan
tepat. Konsumen tidak perlu lagi menunggu barang diproduksi namun sudah
tersedia di inventori sehingga hal tersebut dapat meningkatkan service level
kepada konsumen dari perusahaan.
Peramalan juga berguna dalan menentukan penjadwalan produksi.
Penjadwalan ini penting untuk mengatur tingkat produktivitas yang akan
dilakukan dalam jangka waktu tertentu. Oleh karena itu, PT. SEDAPTU
membuat suatu peramalan produk agar dalam jangka waktu tertentu
perusahaan dapat memenuhi demand perusahaan sesuai dengan kebutuhan
konsumen, tidak mengalami kerugian sebagai akibat adanya kelebihan atau
kekurangan produksi, serta membantu perusahaan dalam mengembangkan
produk dengan lebih baik.
1.2 Tujuan
Adapun tujuan dalam praktikum ini adalah sebagai berikut:
1. Mampu mengetahui manfaat dan posisi forecasting dalam sistem
industri.
2. Mampu mengimplementasikan metode metode dan teknik dalam
forecasting.
3. Mampu mengimplementasikan metode dan teknik forecasting dalam

bidang industri.
4. Melakukan verifikasi dan validasi untuk mendapatkan metode terbaik.
1.3 Pembatasan Masalah

Peramalan atau forecasting yang dilakukan perusahaan menggunakan
data demand pada produk mobil Tamiya 4 WD. Metode yang akan
digunakan dalam peramalan adalah satu metode yang merupakan metode
terbaik dan terpilih untuk meramalkan demand masa depan. Metode yang
digunakan dalam melakukan peramalan adalah Simple Average (SA), Single
Moving Average (SMA), Single Exponential Smoothing (SES), Weighted

Modul 5 Forecasting
Kelompok 3
Moving Average (WMA), Double Exponential Smoothing (DES), dan Linier

Regresi (LR).
Error yang digunakan dalam mengidentifikasi metode peramalan
yang tepat yaitu MSE, MAD, MAPE, dan CFE. Pengolahan data peramalan
dapat dilakukan secara manual maupun dengan software seperti WinQS.
Setelah dilakukan pemilihan metode yang tepat dengan mencari nilai Mean
Square Error terkecil yang dilanjutkan dengan menghitung validasi metode
yang terpilih yaitu dengan membuat grafik. Hasil peramalan yang
digunakan 24 periode ke depan dengan menggunakan metode yang terpilih.

Modul 5 Forecasting
Kelompok 3
BAB II
TINJAUAN PUSTAKA
2.1 Definisi Peramalan

Forecasting atau peramalan adalah aktivitas yang pertama kali
dilakukan dalam memenuhi jadwal produksi di masa depan. Peramalan
didasarkan pada penentuan (prediksi) jumlah permintaan (demand) sebuah
produk yang kemudian akan dijadikan sebagai target produksi. Berikut ini
merupakan definisi peramalan menurut beberapa ahli, yaitu:
a. Menurut John E. Biegel (1999): Peramalan adalah kegiatan
memperkirakan tingkat permintaan produk yang diharapkan untuk suatu
produk atau beberapa produk dalam periode waktu tertentu dimasa yang
akan datang.
b. Menurut Bufa S. Elwood (1996): Peramalan atau forecasting diartikan
sebagai penggunaan teknik teknik statistik dalam bentuk gambaran
masa depan berdasarkan pengolahan angka angka historis.
c. Menurut Makridakis (1988): Peramalan merupakan bagian integral dari
kegiatan pengambilan keputusan manajemen.
d. Menurut Manahan P. Tampubolon (2004:40): Peramalan atau
forecasting adalah penggunaan data untuk menguraikan kejadian yang
akan datang di dalam menentukan saran yang di kehendaki.
e. Menurut Kostas (1981): Peramalan merupakan suatu dugaan terhadap
permintaan yang akan datang berdasarkan kuantitas, waktu, kualitas, dan
lokasi terhadap produk atau layanan yang diinginkan.
Berdasarkan beberapa pengertian diatas, dapat disimpulkan bahwa

forecasting merupakan salah satu teknik dalam sistem perencanaan yang
berfungsi untuk menentukan aktivitas produksi yang akan terjadi dimasa
yang akan datang berdasarkan data historis masa lalu guna memperoleh
suatu sistem dan kebijakan yang lebih baik dan menguntungkan bagi
perusahaan atau organisasi yang terkait. (Yulisa Gardenia, 2012)
2.2 Tahapan Peramalan

Terdapat beberapa langkah penting dalam tahap-tahap forecasting yaitu:

Modul 5 Forecasting
Kelompok 3
1. Plot data.
Ploting data harus dilakukan sebelum melakukan metode peramalan
untuk menentukan pola data yang terjadi. Dengan data yang ada
diperoleh diagram pencarnya.
2. Memilih alternatif metode yang sesuai dengan pola data masa lalu.
Dengan asumsi, pola akan berulang pada periode yang akan datang.
3. Melakukan uji verifikasi dengan menghitung error dari metode metode

yang digunakan.
4. Memilih metode yang terbaik, yang dipilih adalah 2 metode yang
memiliki error terkecil.
5. Melakukan uji validasi metode terpilih dengan menggunakan peta
Moving Range. (Sri Hartini,2010)
2.3 Fungsi Peramalan

Fungsi peramalan adalah memperkirakan apa yang akan terjadi
dimasa datang berdasarkan variabel atau kemungkinan yang ada. Potensi
dan kelemahan perusahaan diperhatikan dengan seksama. Peramaln
dilakukan sebelum perencanaan dibuat. Hasil dari peramalan ini menjadi
dasar dalam pembuatan rencana dan diproyeksikan untuk menjadi bahan
penjabaran rencana.
Menurut pandangan Jay Heizer dan Barry Render (2006):
1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dimasa
lalu serta melihat sejauh mana pengaruh dimasa datang.
2. Peramalan diperlukan karena adanya time Lag atau Delay antara saat
suatu kebijakan perusahaan ditetapkan dengan saat impementasi.
3. Peramalan merupakan dasar penyusunan bisnis pada suatu perusahaan

sehingga dapat meningkatkan efektifitas suatu rencana bisnis.
Adapun fungsi lain yang bisa mengarah pada peramalan yaitu:
1. Untuk atau mengkaji kebijakan perusahaan yang berlaku saat ini dan
dimasa lalu, serta melihat sejauh mana pengaruhnya dimasa datang.
2. Peramalan diperlukan karena adanya time lag antara saat suatu
kebijakan peruasahaan di tetapkan dengan saat implementasi.

Modul 5 Forecasting
Kelompok 3
3. Dengan adanya peramalan, maka dapat dipersiapkan program dan

tindakan perusahaan untuk mengantisipasi keadaan dimasa datang
sehingga resiko kegagalan bisa diminimalkan.
2.4 Macam Peramalan

Berdasarkan sifatnya, peramalan diklasifikasikan menjadi dua bagian
yaitu:
a. Peramalan Kualitatif
Adalah teknik peramalan yang digunakan apabila data masa lalu
tidak tersedia atau tersedia namun jumlahnya yang tidak banyak. Teknik
ini mengkombinasikan informasi dengan pengalaman, penilaian dan
intuisi untuk menghasilkan pola-pola dan hubungan yang mungkin dapat
diterapkan dalam memprediksi masa yang akan datang. Teknik teknik
kualitatif didasarkan atas pendekatan akal sehat dalam menyaring
informasi kedalam bentuk yang bermanfaat. Beberapa metode yang
tercakup dalam teknik teknik kualitatif antara lain visionary, panel
consesus, brainstorming, antypatory survey, role playing, dan lain
sebagainya.
b. Peramalan Kuantitatif
Adalah teknik peramalan dimana pola historis dat digunakan
untuk meramalkan keadaan dimasa yang akan datang. Menurut
Makridakis, Wheelwright dan McGee (1999,p20), tiga kondisi
penerapan dari penerapan peramalan ini, yaitu : tersedianya informasi
tentang masa lalu, informasi tersebut dapat dikuantitatifkan dalam
bentuk data numerik, dan dapat diasumsikan bahwa beberapa aspek pola
masa lalu akan terus berlanjut ke masa mendatang. Terdapat dua teknik
kuantitatif yang utama, yakni analisis deret waktu (time series analysis)
dan model struktural (structural model) atau model kausal.
a. Time Series adalah analisis deret waktu yang didasarkan pada deret
yang menggambarkan pola pola bervariasi sepanjang waktu, dan
dapat di modelkan untuk menentukan pola yang akan terjadi di masa
depan.
b. Causal Model adalah model yang terdiri dari teknik teknik
peramalan yang menggunakan informasi atas satu atau beberapa

Modul 5 Forecasting
Kelompok 3
faktor (variable) untuk memprediksi faktor lainnya dengan

memanfaatkan pengetahuan atas hubungan antara variabel variabel
tersebut.
c. Other Quantitative adalah metode peramalan jenis kuantitatif yang
menggunakan teknik peramalan market research, management
science, expert system, artifical dan lain lain.
Berikut ini merupakan tahapan dalam penyusunan peramalan
dengan menggunakan peramalan kuantitatif, yaitu:
1. Tentukan tujuan peramalan
2. Pembuatan diagram pencar
3. Pilih minimal dua metode peramalan yang dianggap sesuai
4. Hitung parameter parameter fungsi peramalan
5. Hitung kesalahan setiap metode yang terbaik, yaitu yang memiliki
kesalahan terkecil
6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil
7. Lakukan verifikasi peramalan

Berdasarkan sifat penyusunannya, maka peramalan dibedakan
menjadi dua macam, yaitu:
a. Peramalan yang subjektif, adalah peramalan yang didasarkan atas
perasaan atau intuisi dari penyusunannya.
b. Peramalan yang objektif, adalah peramalan yang didasarkan atas
data yang relevan pada masa lalu, dengan menggunakan teknik
teknik dan metode metode dalam penganalisaane data tersebut.
Sedangkan, berdasarkan jangka waktu ramalan yang disusun,
maka peramalan dibedakan atas:
a. Peramalan jangka panjang, adalah peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari satu
setengah tahun.
b. Peramalan jangka pendek, adalah peramalan yang dilakukan untuk

penyusunan hasil ramalan dengan jangka waktu yang kurang dari
satu setengah tahun. Sehingga peramalan jangka pendek
menggunakan teknik analisa hubungan dimana satu satunya
variabel yang mempengaruhi adalaha waktu. (Assauri, 1984).

Modul 5 Forecasting
Kelompok 3
2.5 Pola Data untuk Time Series

Menurut Australia Bureau of Statistics, data time series adalah
sekumpulan data pengamatan yang diperoleh dari perhitungan dari waktu ke
waktu. Pada umumnya pengumpulan dan pencatatan itu dilakukan dalam
jangka waktu tertentu misalnya tiap bulan, tiap akhir tahun, sepuluh tahun
dan sebagainya. Contoh data time series adalah pertumbuhan ekonomi suatu
negara pertahun, jumlah produksi minyak perbulan, indeks harga saham
perhari.
Hal yang perlu diperhatikan pada peramalan data time series adalah
galat (error), dimana merupakan bagian yang tidak terpisahkan dalam
metode peramalan. Hasil dari prediksi sangatlah jarang yang sama dengan
data sesungguhnya, maka seorang peramal hanya bisa berusaha untuk
membuat galatnya menjadi seminimal mungkin. Untuk meramalkan
data time series dibutuhkan teknik peramalan yang baik. Teknik peramalan
dapat bermacam-macam tergantung pada pola data yang ada. Menurut
Hanke dan Wichern (2005:58), ada empat macam tipe pola data yaitu:
1. Pola Data Horizontal
Pola data horizontal terjadi saat data observasi berfluktuasi di
sekitaran suatu nilai konstan atau mean yang membentuk garis
horizontal. Data ini disebut juga dengan data stasioner. Contoh plot data
horizontal adalah pada gambar 2.6 yaitu berupa plot data penjualan.
Jumlah penjualan selalu meningkat atau menurun pada suatu nilai
konstan secara konsisten dari waktu ke waktu.
Gambar 2.1 Contoh Pola Data Horizontal

Modul 5 Forecasting
Kelompok 3
2. Pola Data Trend
Pola data trend terjadi bila mana data pengamatan mengalami kenaikan
atau penurunan selama periode jangka panjang. Suatu data pengamatan
yang mempunyai trend disebut data nonstasioner. Plot data trend
dicontohkan pada gambar 2.7 yaitu berupa data harga suatu produk yang
meningkat dari tahun ke tahun.
Gambar 2.2 Contoh Pola Data Trend Naik
3. Pola Data Musiman

Pola data musiman terjadi bilamana suatu deret dipengaruhi oleh
faktor musiman. Pola data musiman dapat mempunyai pola musim yang
berulang dari periode ke periode berikutnya. Misalnya pola yang
berulang setiap bulan tertentu, tahun tertentu atau pada minggu tertentu.
Gambar 2.3 Contoh Pola Data Musiman
4. Pola Data Siklis

Modul 5 Forecasting
Kelompok 3
Pola data siklis terjadi bilamana deret data dipengaruhi oleh

fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan
siklus bisnis. Di bawah ini adalah contoh plot pola data siklis.
Gambar 2.4 Contoh Pola Data Siklis
2.6 Metode Deret Waktu (Time Series)

Time series adalah suatu himpunan pengamatan yang dibangun secara
berurutan dalam waktu. Waktu atau periode yang dibutuhkan untuk
melakukan suatu peramalan itu biasanya disebut sebagai lead time yang
bervariasi pada tiap persoalan. Berdasarkan himpunan pengamatan yang
tersedia maka time series dikatakan kontinu jika himpunan pengamatan
tersebut adalah kontinu dan dikatakan diskrit bila himpunan pengatamatan
tersebut juga diskrit.
1. ARIMA ( Box-Jenkins)
Model ARIMA adalah model yang secara penuh mengabaikan
independen varibel dalam pembuatan peramalan. ARIMA menggunakan
nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan
peramalan jangka pendek yang akurat. Namun untuk peramalan jangka
panjang ketepatan peramalannya kurnag baik. Tujuan ARIMA adalah
untuk menentukan hubungan statistik yang baik antar variabel yang
diramal dengan nilai historis variabel tersebut sehingga peramalan dapat
dilakukan dengan model tersebut. Teknik ARIMA sebagai teknik
peramalan berbeda dengan kebanyakan model peramalan yang ada. Di
dalam model ini tidak ada asumsi khusus tentang data historis dari time
series (runtut waktu), tetapi menggunakan metode iteratif untuk
menentukan model yang terbaik. Model yang terpilih kemudian akan

Modul 5 Forecasting
Kelompok 3
dicek ulang dengan data historis apakah telah menggambarkan data

dengan tepat. Model terbaik akan diperoleh jika residual antara model
peramalan dan data historis kecil, didistribusikan secara random dan
independen.
2. Bayesian
Bayesian merupakan metode yang menggunakan state space
berdasarkan model dinamis linear (dynamical linear model). Sebagai
contoh: menentukan diagnosa suatu penyakit berdasarkan data-data
gejala (hipertensi atau sakit jantung).
3. Autocorelation
Metode ini dikenalkan oleh C. W. Granger dan P. Newbold sekitar tahun
1977, yang merupakan bagian (subset) dari metode Box-Jenkins, dengan
konsepsi yang lebih sederhana. Pada metode Box-Jenkins, model regresi
deret waktu yang digunakan untuk peramalan adalah ARIMA(p,q,k),
sedangkan metode ini didasarkan pada konsepsi bahwa jika data
berautokorelasi, maka model hubungan fungsionalnya adalah AR(k),
sebab:
1. Model AR(k) adalah model dasar dari regresi deret waktu
2. Membangun model AR(k) yang cocok untuk peramalan lebih mudah

dari model MA(p) atau ARMA(k,p).
Konsepsi perhitungannya adalah sebagai berikut
1. Lakukan proses menstasionerkan data, dan seperti sudah dikemukakan
jika trendnya linier maka proses diferensi orde-1 sudah cukup, tetapi
jika tidak linier maka lakukan dulu transformasi linieritas, selanjutnya
proses diferensi orde-1 untuk hasil transformasi.
2. Tentukan lag autokorelasi maksimum yang mungkin, misalnya sama
dengan M. Granger dan Newbold menyarankan ambil M = 13 jika
datanya kuartalan dan M = 25 jika bulanan,
3. Bangun model regresi deret waktu dengan persamaan

Modul 5 Forecasting
Kelompok 3
... (2.1)
4. Filter Kalman
Banyak digunakan pada bidang rekayasa sistem untuk memisahkan
sinyal dari noise yang masuk ke sistem. Metoda ini menggunakan
pendekatan model state space dengan asumsi white noise memiliki
distribusi Gaussian.
5. Multivariate
Metode peramalan yang sudah dikemukakan, semuanya

merupakan metode peramalan untuk data deret waktu univariat,
sehingga jika dimiliki sampel data deret waktu multivariat, maka
seperti sudah dikemukan pada awal bab ini proses yang dapat dipilih
a. Mentransformasikan data multivariat menjadi data univariat

melalui model fungsi transfers, jika data berautokorelasi,
b. Metode analisis regresi multipel jika tidak berautokorelsi,
c. Mengadopsi analisis peramalan univariat dan analisis matriks

(vektor), sehingga proses pemodelan untuk membangun sebuah
model ramalan, dilakukan berdasarkan analisis regresi deret waktu
vektor.

Modul 5 Forecasting
Kelompok 3
6. Smoothing
Dipakai untuk mengurangi ketidakteraturan data yang bersifat
musiman dengan cara membuat keseimbangan rata-rata dari data masa
lampau.
1. Regression
2. Menggunakan dummy variabel dalam formulasi matematisnya.

Sebagai contoh: kemampuan dalam meramal sales suatu produk
berdasarkan harganya.
2.7 Model Model Kausal

Model kausal terdiri atas teknik-teknik peramalan yang
menggunakaninformasi atas satu atau beberapa faktor (variable) untuk
memprediksi faktor lainnya dengan memanfaatkan pengetahuan atas
hubungan antara variabel variabel tersebut. Teknik utama dalam model
model kausal ini adalah Ekonometri, Regresi & Korelasi, dan Input Output.
1. Ekonometri
Metode ini berdasarkan persamaan regresi yang di dekati secara
simultan. Metode ini banyak digunakan untuk perencanaan ekonomi
suatu negara baik jangka pendek maupun jangka panjang.
2. Regresi & Korelasi
Metode ini menggunakan teknik kuadrat terkecil (least square). Banyak
digunakan untuk prediksi dalam jangka yang pendek.
3. Input Output
Biasa digunakan untuk perencanaan ekonomi dengan jangka waktu yang
panjang. Banyak digunakan untuk peramalan penjualan perusahaan,
penjualan sektor industri dan sub sektor industri, produksi dari sektorda
sub sektor industri.
2.8 Pemilihan dan Evaluasi Metode-Metode Peramalan

Ketepatan ramalan adalah suatu hal yang mendasar dalam peramalan,
yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu
untuk suatu kumpulan data yang diberikan.Ketepatan dipandang sebagai

Modul 5 Forecasting
Kelompok 3
kriteria penolakan untuk memilih suatu metode peramalan. Dalam

pemodelan deret berkala ( time series ) dari data masa laludapat diramalkan
situasi yang akan terjadi pada masa yang akan datang, untuk menguji
kebenaran ramalan ini digunakan ketepatan ramalan.
Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan
antara lain:
1. Nilai Tengah Galat ( Mean Error )
...........................................................(2.2)
2. Nilai Tengah Galat Kuadrat ( Mean Square Error )
..........................................................(2.3)
3. Nilai Tengah Galat Absolut ( Mean Absolute Error )
..........................................................(2.4)
4. Nilai Tengah Galat Persentase Absolut ( Mean Absolute Percentage

Error )
...........................................................(2.5)
5. Nilai Tengah Galat Persentase ( Mean Percentage Error )
..............................................................(2.6)
6. Jumlah Kuadrat Galat ( Sum Square Error )
..............................................................(2.7)
7. Deviasi Standar Galat ( Standart Deviation of Error )

Modul 5 Forecasting
Kelompok 3
.................................................(2.8)
Dimana:
E = Xt Ft (kesalahan pada periode ke t)
X = data aktual pada periode ke t
F = nilai ramalan pada periode ke t
n = banyak periode waktu
Metode peramalan yang dipilih adalah metode peramalan yang
memberikan nilai error yang terkecil.
Menurut Lerbin R. Aritonang R. (2002:32) ada beberapa teknik
peramalanuntuk menggunakannya didasarkan pada kondisi data tertentu,
berukut 3 pendekatan yang dapat dijadikan dasar dalam memilih teknik
peramalan:
1. Pendekatan Otokorelasi
Peramalan yang digunakan diorientasikan pada waktu yang akan datang
didasarkan pengetahuan maupun peramalan pada waktu yang lalu.
2. Pendekatan Ukuran Simpangan PeramalanPemilihan teknik peramalan
juga didasarkan pada error (e) yang merupakan selisih nilai data yang
ada dengan nilai proyeksinya pada setiap periode peramalan. Errorr
yang digunakan sebagai ukuran simpangan peramalan berupa MSE
(Mean Square Errorr). Secara sederhana dapat diketahui bahwa besar
MSE berarti semakin besar selisih antara data historis yang ada (yang
sesungguhnya) dengan nilai proyeksinya, sebaliknya semakin kecil MSE
berarti semakin akurat peramalannya.
3. Pendekatan Horison Waktu
Menurut Hanke dan Reitsch (1995:117) selain berdasarkan hasil analisis

otokorelasi dan ukuran simpangan peramalan, teknik peramalan juga
dapat dipilih berdasarkan horizon waktu peramalannya.
- Fungsi Regresi
Digunakan untuk peramalan jangka pendek, menengah maupun

jangka panjang dan peramalannya bersifat kontinyu dengan asumsi

Modul 5 Forecasting
Kelompok 3
permintaan yang akandatang sama dengan permintaan yang lalu.

Fungsi regresi berupa fungsi konstan, fungsi linier dan fungsi
kuadratik.
2.9 Uji Kesalahan Peramalan (Uji Verifikasi)

Langkah penting setelah peramalan dilakukan adalah verifikasi
peramalan sedemikian rupa sehingga mencerminkan data masa lalu dan
sistem penyebab yang mendasari permintaan tersebut. Sepanjang
representasi peramalan tersebut dapat dipercaya, hasil peramalan dapat terus
digunakan. Jika selama proses verifikasi tersebut ditemukan keraguan
validitas metode peramalan yang digunakan, harus dicari metode lainnya
yang lebih cocok. Validitas tersebut harus ditentukan dengan uji statistis
yang sesuai.
Setelah suatu peramalan dibuat, selalu timbul keraguan apakah perlu
dibuat suatu metode peramalan baru . Peramalan harus selalu dibandingkan
dengan permintaan aktual secara teratur. Pada suatu saat harus diambil
tindakan revisi peramalan apabila ditemukan bukti adanya perubahan pola
permintaan yang meyakinkan. Selain itu, penyebab perubahan pola
permintaan harus diketahui. Penyesuaian metode peramalan dilakukan
segera setelah perubahan pola permintaan diketahui. Terdapat banyak
perkakas yang dapat digunakan untuk memverifikasi peramalan dan
mendeteksi perubahan sistem penyebab yang melatarbelakangi perubahan
pola permintaan. Bentuk yang paling sederhana adalah peta kendali
peramalan, mirip dengan peta kendali kualitas. Peta kendali ini dapat dibuat
dengan ketersediaan data yang minim.
Adapun beberapa parameter analisis yang harus dipertimbangkan
dalam verifikasi metode analisis:
Akurasi
Akurasi atau kecermatan adalah ukuran yang menunjukan derajat
kedekatan hasil analis dengan kadar analit yang sebenarnya. Terkadang
masalah dalam menentukan akurasi adalah ketidaktahuan terhadap nilai
yang sebenarnya. Dalam beberapa tipe sampel kita dapat menggunakan

Modul 5 Forecasting
Kelompok 3
sampel yang telah diketahui nilainya dan mengecek metode

pengukuran kita gunakan untuk menganalisis sampel itu sehingga kita
mengetahui akurasi dari prosedur yang diujikan, metode ini disebut
dengan CRM (Certified Reference Method). Pendekatan lain adalah
dengan membandingkan hasilnya dengan hasil yang dilakukan oleh
laboratorium lain atau dengan menggunakan metode referen. Akurasi
juga dapat diketahui dengan melakukan uji peoleahan
kembali (recovery). Hasil uji ini akurasi dapat dinyatakan sebagai persen
perolehan kembali (recovery) analit yang ditambahkan pada
sampel. Rentang nilai penerimaan kecermatan suatu metode akan
bervariasi sesuai kebutuhannya.
Presisi
Presisi adalah ukuran yang menunjukkan derajat kesesuaian antara
hasil uji individual, diukur melalui penyebaran hasil individual dari rata-
rata jika prosedur diterapkan secara berulang pada sampel-sampel yang
diambil dari campuran yang homogen (Harmita, 2004). Presisi dapat
dibagi dalam dua kategori yaitu keterulangan atau ripitabilitas
(repeatability) dan ketertiruan (reproducibility). Ripitabilitas adalah nilai
presisi yang diperoleh jika seluruh pengukuran dihasilkan oleh satu
orang analis dalam satu periode tertentu, menggunakan pereaksi dan
peralatan yang sama dalam laboratorium yang sama. Ketertiruan adalah
nilai presisi yang dihasilkan pada kondisi yang berbeda, termasuk analis
yang berbeda, atau periode dan laboratorium yang berbeda dengan analis
yang sama.
Karena ketertiruan dapat memperbanyak sumber variasi, ketertiruan
dari analisis tidak akan lebih baik hasilnya dari nilai keterulangan.
Presisi dalam hal ripitabilitas diukur dengan menghitung relative
standard deviation atau simpangan baku relatif (RSD) dari beberapa
ulangan dan dari nilai simpangan baku tersebut dapat dihitung nilai
koefisien varian (KV). Dari nilai KV yang diperoleh dibandingkan
dengan KV Horwitz yaitu suatu kurva berbentuk terompet yang

Modul 5 Forecasting
Kelompok 3
menghubungkan reproducibilitas (presisi yang dinyatakan sebagai

%KV) dengan konsentrasi analit. (Harvey, 2000).
Linieritas
Linieritas metode analisis menunjukkan kemampuan suatu metode
untuk memperoleh hasil uji, yang baik langsung maupun dengan definisi
transformasi matematis yang baik, proporsional dengan konsentrasi
analat dalam sampel pada range tertentu (Leyva, 2008). Linieritas dapat
diuji secara informal dengan membuat plot residual yang dihasilkan oleh
regresi linier pada respon konsentrasi dalam satu seri kalibrasi
(Thompson, 2002). Linieritas harus dievaluasi dengan pemeriksaan
visual terhadap plot absorbansi yang merupakan fungsi dari konsentrasi
analat. Jika hubungannya linier, hasil uji dievaluasi lebih lanjut secara
statistik dengan perhitungan garis regresi. Dalam penentuan linieritas,
sebaiknya menggunakan minimum lima konsentrasi. Rentang
penerimaan linieritas tergantung dari tujuan pengujian. Pada kondisi
yang umum, nilai koefisien regresi (r2) 0,99 (EMA, 1995). Sebagai
parameter adanya hubungan linier digunakan koefisien korelasi r pada
analisis regresi linier Y= aX+b. Hubungan linier yang ideal dicapai jika
nilai a=0 dan r=+1 atau -1 bergantung pada arah garis. Sedangkan b
menunjukan kepekaan analisis terutama instrumen yang digunakan.
Nilai koefisien korelasi yang memenuhi persyaratan adalah sebesar
0,99970 (ICH, 1995), 97 (SNI) atau 0,9980(AOAC).
Limit Deteksi dan Limit Kuantitasi
Limit deteksi atau Limit of Detection (LOD) suatu metode analisis
adalah jumlah terkecil dari analit yang dapat dideteksi namun jumlah ini
belum tentu dapat dikuantisasi dengan presisi yang baik oleh metode
tersebut. Limit kuantitasi atauLimit of Quantitation (LOQ) yang disebut
juga limit determinasi adalah konsentrasi terendah dari analat yang dapat
ditentukan secara kuantitatif dengan presisi dan akurasi yang dapat
diterima. Giese dengan menentukan kurva kalibrasi menggunakan
sepuluh level konsentrasi, atau melakukan analisis blanko berulang.
Tetapi ada masalah dalam pendekatan menggunakan blanko karena

Modul 5 Forecasting
Kelompok 3
seringkali sulit diukur dan variasinya sangat tinggi. Lebih lanjut, nilai
yang didapat dengan pendekatan seperti ini tidak bergantung dari analit.
Limit deteksi hanya berguna untuk mengontrol ketidakmurnian yang
tidak diinginkan yang konsentrasinya harus tidak lebih dari level tertentu
dan mengontrol kontaminan dengan konsentrasi rendah, sedangkan
materi yang bermanfaat harus ada pada konsentrasi yang cukup tinggi
agar dapat menjadi fungsional. Limit deteksi dan kuantitasi seringkali
bergantung pada kemampuan instrumen (AOAC, 2002).
Limit deteksi dan limit kuantisasi, limit deteksi (LOD) adalah
konsentrasi terendah yang masih dapat terdeteksi oleh suatu alat. Besar
limit deteksi biasanya dinyatakan dengan nilai rata-rata blangko + 3 S,
dimana S adalah standar deviasi (simpangan baku) dari blangko.
Sedangkan limit kuantitasi adalah konsentrasi terendah yang dapat
ditentukan dengan besar presisi dan akurasi ynag dapat diterima. Besar
limit kuantitasi biasanya dinnyuatakan dengan nilai rata-rata blanko
+10 S. Cara lain untuk menentukan batas deteksi dan kuantitasi adalah
melalui penentuan rasio S/N (signal to noise ratio). Nilai simpangan
baku blanko ditentukan dengan cara menghitung tinggi derau pada
pengukuran blanko sebanyak 20 kali pada analit yang memberikan
respon (Harmita, 2004).
Uji t dan F
Uji signifikansi meliputi uji t-student dan uji F. Uji t
membandingkan rata-rata ulangan yang dilakukan oleh dua metode dan
membuat asumsi dasar atau hipotesis nol, bahwa tidak ada perbedaan
yang signifikan antara nilai rata-rata dari dua set data (James, 1999). Uji
t memberikan jawaban ya atau tidak terhadap pembenaran dari hipotesis
nol dengan keyakinan yang pasti, seperti 95% atau bahkan 99%. Nilai
kritik untuk t didapat dari tabel pada derajat bebas yang tepat. Jika nilai t
hitung lebih besar dari nilai t tabel maka hipotesis nol dapat ditolak yang
berarti terdapat perbedaan yang signifikan antara dua metode.
Uji F atau uji rasio-varian digunakan untuk membandingkan antara
dua standar deviasi, yang berarti membandingkan pula ketelitian antara
dua metode. Asumsi dasar atau hipotesis nol dari uji ini adalah bahwa

Modul 5 Forecasting
Kelompok 3
tidak ada perbedaan yang signifikan antara dua standar deviasi.

Hipotesis nol ditolak jika nilai F hitung lebih besar dari nilai F tabel
yang berarti bahwa terdapat perbedaan yang signifikan antara ketelitian
dua metode.
Anova
Selain uji t dan F juga digunakan uji One Way Anova untuk menguji
apakah rata-rata lebih dari dua sampel berbeda secara signifikan atau
tidak. Hipotesis nol (H0) yaitu rata-rata populasi adalah identik,
sedangkan hipotesis tandingannya (H1) yaitu rata-rata populasi tidak
identik. H0 diterima jika nilai probabilitas > 0.05 dan H0 ditolak jika
probabilitas < 0.05 (Santoso 2000).
Bahan Acuan
Bahan acuan memainkan peranan penting untuk mengeahui akurasi
dalam melakukan validasi atau verifkasi. Bahan acuan disini dapat
diartikan sebaga bahan atau zat yang memiliki sifat-sifat tertentu yang
cukup homogen dan stabil yang telah ditetapkan untuk dapat digunakan
dalam pengukuran atau dalam pengujian suatu contoh. Bahan acuan
dapat digunakan untuk mengontrol presisi pengukuran walaupun bahan
acuan tidak memiliki nilai acuan (assigned value), sedangkan untuk
kalibrasi atau untuk mengontrol kebenaran pengukuran hanya bahan
acauan yang memiliki nilai acuan yang dapat digunakan (Dara, 2010).
Kalibrasi dan pengontrolan analisis sangat penting, karena menyangkut
kehandalan hasil pengujian. Untuk pengambilan keputusan yang krusial
diperlukan hasil pengujian yang dapat dipercaya (Nuryatini 2010).
Bahan acuan dapat dibagi menjadi dua yaitu Certified Reference
Material (CRM) dan Standard Reference Material (SRM). CRM dapat
ditelusur hingga standar internasional dengan ketidakpastian yang telah
diketahui dan oleh karena itu dapat digunakan untuk mengukur semua
aspek bias secara bersamaan, dengan asumsi bahwa tidak ada
ketidaksesuaian matriks. Perlu dipastikan bahwa nilai ketidakpastian
yang dimiliki cukup kecil sehingga dapat mendeteksi bias pada kisaran
tertentu. Tetapi jika nilainya tidak cukup kecil, penggunaan CRM masih

Modul 5 Forecasting
Kelompok 3
dianjurkan, tetapi dengan disertai dengan pengujian tambahan. Jika

diperlukan dan dapat dilakukan, sejumlah CRM yang sesuai dengan
matriks dan konsentrasi analit sebaiknya diujikan.
SRM dapat digunakan jika tidak ada CRM. SRM adalah material
yang telah dikarakterisasi dengan baik untuk tujuan validasi. Hal yang
perlu diperhatikan adalah jika nilai bias tidak signifikan, hal ini bukan
berarti merupakan bukti bahwa tidak adanya bias sama sekali. Akan
tetap jika terdapat bias yang signifikan, hal ini menandakan perlunya
investigasi lebih lanjut. SRM dapat berupa material yang telah
dikarakterisasi oleh produsen CRM tetapi tidak dilengkapi dokumen
mengenai nilai ketidakpastiannya atau material yang telah terkualifikasi
oleh sebuah manufakturer; materials yang dikarakterisasi dalam
laboratorium sebagai reference material, dan material yang
didistribusikan dalamproficiency test. Meskipun ketertelusuran dari
material tersebut dipertanyakan, jauh lebih baik untuk menggunakan
material tersebut dibandingkan tidak melakukan pengukuran terhadap
bias sama sekali. Material dapat digunakan dengan cara yang sama
seperti CRM, sekalipun tidak ada nilai ketidakpastian yang tercantum,
seluruh pengujian yang signifikan bergantung seluruhnya pada presisi
yang dapat diamati dari hasil (Thompson, 2002)
2.10 Uji Validasi

Validitas berasal dari kata validity yang mempunyai arti sejauh mana
ketepatan dan kecermatan suatu alat ukur dalam melakukam fungsi
ukurannya (Azwar 1986). Selain itu validitas adalah suatu ukuran yang
menunjukkan bahwa variabel yang diukur memang benar-benar variabel
yang hendak diteliti oleh peneliti (Cooper dan Schindler, dalam Zulganef,
2006). Sedangkan menurut Sugiharto dan Sitinjak (2006), validitas
berhubungan dengan suatu peubah mengukur apa yang seharusnya diukur.
Validitas dalam penelitian menyatakan derajat ketepatan alat ukur penelitian
terhadap isi sebenarnya yang diukur. Uji validitas adalah uji yang digunakan
untuk menunjukkan sejauh mana alat ukur yang digunakan dalam suatu

Modul 5 Forecasting
Kelompok 3
mengukur apa yang diukur. Ghozali (2009) menyatakan bahwa uji validitas
digunakan untuk mengukur sah, atau valid tidaknya suatu kuesioner. Suatu
kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk
mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut.
Suatu tes dapat dikatakan memiliki validitas yang tinggi jika tes
tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang
tepat dan akurat sesuai dengan maksud dikenakannya tes tersebut. Suatu tes
menghasilkan data yang tidak relevan dengan tujuan diadakannya
pengukuran dikatakan sebagai tes yang memiliki validitas rendah. Sisi lain
dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu alat
ukur yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga
memiliki kecermatan tinggi. Arti kecermatan disini adalah dapat mendeteksi
perbedaan-perbedaan kecil yang ada pada atribut yang diukurnya.
Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi 2,
yaitu validitas faktor dan validitas item. Validitas faktor diukur bila item
yang disusun menggunakan lebih dari satu faktor (antara faktor satu dengan
yang lain ada kesamaan). Pengukuran validitas faktor ini dengan cara
mengkorelasikan antara skor faktor (penjumlahan item dalam satu faktor)
dengan skor total faktor (total keseluruhan faktor).Validitas item
ditunjukkan dengan adanya korelasi atau dukungan terhadap item total (skor
total), perhitungan dilakukan dengan cara mengkorelasikan antara skor item
dengan skor total item. Bila kita menggunakan lebih dari satu faktor berarti
pengujian validitas item dengan cara mengkorelasikan antara skor item
dengan skor faktor, kemudian dilanjutkan mengkorelasikan antara skor item
dengan skor total faktor (penjumlahan dari beberapa faktor).
Dari hasil perhitungan korelasi akan didapat suatu koefisien korelasi
yang digunakan untuk mengukur tingkat validitas suatu item dan untuk
menentukan apakah suatu item layak digunakan atau tidak. Dalam
penentuan layak atau tidaknya suatu item yang akan digunakan, biasanya
dilakukan uji signifikansi koefisien korelasi pada taraf signifikansi 0,05,
artinya suatu item dianggap valid jika berkorelasi signifikan terhadap skor
total. Untuk melakukan uji validitas ini menggunakan program SPSS.

Modul 5 Forecasting
Kelompok 3
Teknik pengujian yang sering digunakan para peneliti untuk uji validitas
adalah menggunakan korelasi Bivariate Pearson(Produk Momen Pearson).
Analisis ini dengan cara mengkorelasikan masing-masing skor item dengan
skor total. Skor total adalah penjumlahan dari keseluruhan item. Item-item
pertanyaan yang berkorelasi signifikan dengan skor total menunjukkan
item-item tersebut mampu memberikan dukungan dalam mengungkap apa
yang ingin diungkap Valid. Jika r hitung r tabel (uji 2 sisi dengan sig.
0,05) maka instrumen atau item-item pertanyaan berkorelasi signifikan
terhadap skor total (dinyatakan valid).

Modul 5 Forecasting
Kelompok 3
BAB III
PENGOLAHAN DATA DAN PEMBAHASAN
3.1 Pengumpulan Data Historis Sebelum Konversi dan Sesudah Konversi

3.1.1 Pengumpulan Data Sebelum Konversi
Berikut adalah pengumpulan data sebelum konversi.
Tabel 3.1 Pengumpulan Data Sebelum Konversi
Tamiya
Periode
Hitam Putih
1 2367 2428
2 2498 2562
3 2160 2216
4 2050 3128
5 2796 2868
6 2706 2776
7 2840 2913
8 2710 2780
9 2950 3026
10 2582 2648
11 2720 2790
12 3060 3139
13 2725 2795
14 2729 2799
15 2520 2585
16 3085 3164
17 2960 3036
18 2615 2682
19 2552 2619
20 2770 2841
21 2517 2582
22 2495 2559
23 2637 2705
24 2857 2930
Faktor Konveksi: Tamiya Hitam =1

Tamiya Putih = 1, 0257

Modul 5 Forecasting
Kelompok 3
3.1.2 Pengumpulan Data Setelah Konversi

Tabel 3.2 Pengumpulan Data Setelah Konversi
Konversi
Hitam Putih Hasil Konversi
2367 2490 4857
2498 2628 5126
2160 2273 4433
2050 3208 5258
2796 2942 5738
2706 2847 5553
2840 2988 5828
2710 2851 5561
2950 3104 6054
2582 2716 5298
2720 2862 5582
3060 3220 6280
2725 2867 5592
2729 2871 5600
2520 2651 5171
3085 3245 6330
2960 3114 6074
2615 2751 5366
2552 2686 5238
2770 2914 5684
2517 2648 5165
2495 2625 5120
2637 2775 5412
2857 3005 5862
Jumlah 132182

Modul 5 Forecasting
Kelompok 3
3.2 Pengolahan Data

3.2.1 Plotting Data
Berikut adalah plotting data permintaan mobil tamiya 4 WD
dalam 24 periode.
hasil konversi
4,000.00
0 2 4 6 8 10 12
Grafik 3.1 Plotting Data Hasil Konversi
Berdasarkan data diatas, dapat diketahui bahwa data tersebut

bersifat musiman, yaitu pola data musiman dapat mempunyai pola
musim yang berulang dari periode ke periode berikutnya. Misalnya
pola yang berulang setiap bulan tertentu.
3.2.2 Peramalan dengan beberapa metode

a. Metode Simple Average
Berikut ini merupakan metode peramalan Simple Average,
sebagai berikut:
n
Xt
Fn = t =1
n1
X 1+ X 2+ + X 16 +17
F17=
171
F 17=5516
Besarnya kesalahan terhadap peramalan dapat diketahui
dengan beberapa metode yaitu CFE, MAD, MSE dan MAPE.

Modul 5 Forecasting
Kelompok 3
Berikut ini adalah rumus yang digunakan dalam

perhitungan keempat metode tersebut:
n
CFE n= error t
t=2
|error t|
MAD n= t=2
n1
n
error 2t
MSEn = t =2
n1
n
PEt
MAPEn= t=2
n1
dimana,
|error n|
PE n= x 100
Xn
Berikut ini adalah contoh perhitungan error dan metode CFE,

MAD, MSE dan MAPE secara manual:
error 17= X 17F17
error 17=6074,035516
error 17=558
17
CFE17 = error t
t=2
CFE17 =error 2 +error 3 ++error 16 +error 17

CFE17 =( 268 ) + (559 )+ + ( 868 ) +(558)
CFE17 =5573
17
|error t|
MAD 17= t=2
171
|error 2 +error 3 ++ error 16+ error 17|
MAD 17=
16

Modul 5 Forecasting
Kelompok 3
|( 268 ) + (559 )+ + ( 868 ) +(558)|

MAD17=
16
MAD 17= 467,148
17
error2t
MSE17= t=2
171
error 22 +error 23 ++ error 216+ error 217
MSE17=
16
( 268 )2 + (559 )2+ + ( 868 )2 + ( 558 )2
MSE17=
16
MSE17= 289591
|error 17|
PE 17 = x 100
X 17
|558|
PE 17= x 100
6074,03
PE 17=9,18
17
PEt
MAPE 17= t=2
171
PE 2+ PE 3 ++ PE 16 + PE 17
MAPE 17=
16
5,24+(12,60)++(13,72)+(9,18)
MAPE 17=
16
MAPE 17=8,23

Tabel 3.3 Metode Simple Average
Periode Demand Peramalan e |e| e2 PE (%) | PE | MSE MAD MAPE CFE
1 4857.40
2 5125.84 4857 268 268 72062 5.24% 5.24% 72062 268.444 5.24% 268
3 4432.95 4992 -559 559 312113 -12.60% 12.60% 192087 413.557 8.92% -290
4 5258.39 4805 453 453 205201 8.61% 8.61% 196459 426.702 8.82% 163
5 5737.71 4919 819 819 670862 14.28% 14.28% 315059 524.792 10.18% 982
6 5553.34 5082 471 471 221733 8.48% 8.48% 296394 514.010 9.84% 1453
7 5827.86 5161 667 667 444789 11.44% 11.44% 321127 539.496 10.11% 2120
8 5561.45 5256 305 305 93167 5.49% 5.49% 288561 506.030 9.45% 2425
9 6053.77 5294 759 759 576689 12.54% 12.54% 324577 537.701 9.84% 3184
10 5298.05 5379 -81 81 6511 -1.52% 1.52% 289236 486.922 8.91% 3104
11 5581.70 5371 211 211 44532 3.78% 3.78% 264766 459.333 8.40% 3315
12 6279.67 5390 890 890 791764 14.17% 14.17% 312675 498.467 8.92% 4204
13 5591.83 5464 128 128 16338 2.29% 2.29% 287980 467.580 8.37% 4332
14 5599.93 5474 126 126 15899 2.25% 2.25% 267051 441.311 7.90% 4458
15 5171.43 5483 -311 311 96980 -6.02% 6.02% 254903 432.033 7.77% 4147
16 6330.31 5462 868 868 753815 13.72% 13.72% 288164 461.113 8.16% 5015
17 6074.03 5516 558 558 310998 9.18% 9.18% 289591 467.148 8.23% 5573
18 5365.93 5549 -183 183 33573 -3.41% 3.41% 274531 450.447 7.94% 5390
19 5238.31 5539 -301 301 90402 -5.74% 5.74% 264302 442.126 7.82% 5089
20 5684.01 5523 161 161 25876 2.83% 2.83% 251753 427.322 7.56% 5250
21 5165.36 5531 -366 366 133838 -7.08% 7.08% 245857 424.248 7.53% 4884
22 5119.77 5514 -394 394 155243 -7.70% 7.70% 241542 422.808 7.54% 4490
23 5411.52 5496 -84 84 7115 -1.56% 1.56% 230886 407.424 7.27% 4406

24 5862.30 5492 370 370 136976 6.31% 6.31% 226803 405.801 7.23% 4776
25 5508
26 5508
27 5508
28 5508
29 5508
30 5508
31 5508
32 5508
33 5508
34 5508
35 5508
36 5508
Total 132183 188641 4776 9333 5216475 75% 166% 5996364 10425 192% 78736

Modul 7 Peramalan
Kelompok 3
Simple Average
5800.00
5600.00
5400.00
5200.00
Demand 5000.00
4800.00
4600.00
4400.00
Periode
Demand Peramalan
Grafik 3.2 Permintaan dan Peramalan (Simple Average)
b. Metode Single Moving Average

Perhitungan metode dilakukan dengan membagi jumlah
tiga periode permintaan sebelumnya dengan banyaknya periode
yang dijumlahkan. Berikut adalah rumus yang digunakan dalam
perhitungan:
X t 3 + X t2 + X t 1
Ft =
3
Berikut adalah contoh perhitungan peramalan
menggunakan metode Single Moving Average secara manual:
X +X +X
F17= 14 15 16
3
5599,93+5171,43+6330,31
F17=
3
17101,67
F17=
3
F17=5701
Selain perhitungan peramalan, juga terdapat perhitungan
error dan besar kesalahan terhadap hasil peramalan. Adapun cara
menghitung error adalah sebagai berikut:
error t =demand t forecastingt
atau

Modul 7 Peramalan
Kelompok 3
error t =X t F t
Berikut ini adalah rumus yang digunakan dalam perhitungan
keempat metode tersebut:
n
CFE n= error t
t =4
|error t|
MAD n= t =4
n3
n
error 2t
MSEn = t= 4
n3
n
PEt
MAPE n= t =4
n3
dimana,
|error t|
PE t= x 100
Xt
Berikut ini adalah contoh perhitungan error dan

metode CFE, MAD, MSE dan MAPE secara manual:
error 17= X 17F17
error 17=6074,035701
error 17=373
17
CFE17 = error t
t =4
CFE17 =error 4 + error5 + +error 16 +error 17

CFE17 =( 453 ) +(799)+ +(876)+(373)
CFE17 =2549

Modul 7 Peramalan
Kelompok 3
17
|error t|
MAD 17= t =4
173
|error 4|+|error 5|++|error 16|+|error17|
MAD 17=
14
|( 453 )|+|(799)|++|(876)|+|(373)|
MAD17=
14
MAD 17= 427,106

17
error2t
MSE17= t=4
173
error 24 +error 25 ++ error216 +error 217
MSE17=
14
( 453 )2+ (799 )2+ + ( 876 )2 + ( 373 )2

MSE17=
14
MSE17=240259
|error 17|
PE 17 = x 100
X 17
|373|
PE 17= x 100
6074,03
PE 17=6,15
17
PEt
MAPE 17= t =4
173
PE 4 + PE 5 ++ PE 16 + PE 17
MAPE 17=
14
8,61+13,92+ +13,84+6,15
MAPE 17=
14
MAPE 17=7,44

Modul 7 Peramalan
Kelompok 3

Tabel 3.4 Metode Single Moving Average
1 4857.40
2 5125.84
3 4432.95
4 5258.39 4805 453 453 205201 8.61% 8.61% 205201 452.992 8.61% 453
5 5737.71 4939 799 799 637836 13.92% 13.92% 421519 625.819 11.27% 1252
6 5553.34 5143 410 410 168368 7.39% 7.39% 337135 553.988 9.97% 1662
7 5827.86 5516 311 311 96960 5.34% 5.34% 277091 493.337 8.82% 1973
8 5561.45 5706 -145 145 20984 -2.60% 2.60% 225870 423.642 7.57% 1828
9 6053.77 5648 406 406 165012 6.71% 6.71% 215727 420.737 7.43% 2235
10 5298.05 5814 -516 516 266572 -9.75% 9.75% 222991 434.390 7.76% 1718
11 5581.70 5638 -56 56 3142 -1.00% 1.00% 195509 387.098 6.92% 1662
12 6279.67 5645 635 635 403433 10.11% 10.11% 218612 414.661 7.27% 2298
13 5591.83 5720 -128 128 16378 -2.29% 2.29% 198389 385.993 6.77% 2170
14 5599.93 5818 -218 218 47437 -3.89% 3.89% 184666 370.702 6.51% 1952
15 5171.43 5824 -652 652 425597 -12.62% 12.62% 204743 394.175 7.02% 1299
16 6330.31 5454 876 876 767227 13.84% 13.84% 248011 431.232 7.54% 2175
17 6074.03 5701 373 373 139475 6.15% 6.15% 240259 427.106 7.44% 2549
18 5365.93 5859 -493 493 242718 -9.18% 9.18% 240423 431.477 7.56% 2056
19 5238.31 5923 -685 685 469381 -13.08% 13.08% 254733 447.329 7.91% 1371
20 5684.01 5559 125 125 15524 2.19% 2.19% 240662 428.344 7.57% 1496
21 5165.36 5429 -264 264 69727 -5.11% 5.11% 231165 419.217 7.43% 1231
22 5119.77 5363 -243 243 58949 -4.74% 4.74% 222101 409.932 7.29% 989
23 5411.52 5323 88 88 7827 1.63% 1.63% 211387 393.859 7.01% 1077

24 5862.30 5232 630 630 397010 10.75% 10.75% 220227 405.108 7.19% 1707
25 5465
26 5465
27 5465
28 5465
29 5465
30 5465
31 5465
32 5465
33 5465
34 5465
35 5465
36 5465
Total 132183 181634 1707 8507 4624760 22% 151% 5016421 9151 163% 35153

Modul 7 Peramalan
Kelompok 3
Single Moving Average

7000.00
6000.00
5000.00
4000.00
Demand 3000.00
2000.00
1000.00
0.00
Periode
Demand Peramalan
Grafik 3.3 Permintaan dan Peramalan Single Moving Average
c. Metode Single Exponential Smoothing atau SES

Metode ini menggunakan rumus dalam melakukan
peramalan, yaitu dengan rumus:
Ft =( x X t 1 ) +( ( 1) x F t1 )
Berdasarkan bentuk plot data historis, maka ditentukan

nilai sebesar 0,765 dikarenakan bentuk grafik tidak beraturan
(siklis). Berikut adalah contoh perhitungan peramalan
menggunakan metode Single Exponential Smoothing secara
manual:
F17= ( x X 171) +( ( 1 ) x F 171 )
F17= ( x X 16 ) +( ( 1) x F 16)
F17= ( 0,765 x 6330,31 )+( ( 0,235 ) x 5278)

F17=6083
atau
error t =X t F t

Modul 7 Peramalan
Kelompok 3

n
CFE n= error t
t=2
|error t|
MAD n= t=2
n1
n
error 2t
MSEn = t =2
n1
n
PEt
MAPEn= t=2
n1
dimana,
|error t|
PEt= x 100
Xt
Berikut ini adalah contoh perhitungan error dan metode

CFE, MAD, MSE dan MAPE secara manual:
error 17= X 17F17
error 17=6074,036083
error 17=9
17
CFE17 = error t
t=2

CFE17 =( 268 ) +(630)++(1052)+(9)
CFE17 =1593
17
|error t|
MAD17 = t=2
171

Modul 7 Peramalan
Kelompok 3
|error 2|+|error 3|+ +|error16|+|error 17|

MAD 17=
16
|( 268 )|+|(630)|+ +|(1052)|+|(9)|
MAD17=
16
MAD 17=426,236
17
error2t
MSE17= t=2
171
MSE17=
16
( 268 )2 +(630)2 ++(1052)2 +(9)2

MSE17=
16
MSE17=263263
|error 17|
PE 17= x 100
X 17
|9|
PE 17 = x 100
6074,03
PE 17 =0,15
17
PEt
MAPE 17= t=2
171
PE 2+ PE 3 ++ PE 16 + PE 17
MAPE 17=
16
5,24+(14,21)++16,62+(0,15)
MAPE17=
16
MAPE 17=7,67

Tabel 3.5 Metode Single Exponential Smoothing atau SES
Periode Demand Peramalan =0,765 e |e| e2 PE (%) | PE | MSE MAD MAPE CFE
1 4857.40 4857
2 5125.84 4857 268 268 72062 5.24% 5.24% 72062 268.444 5.24% 268
3 4432.95 5063 -630 630 396658 -14.21% 14.21% 234360 449.126 9.72% -361
4 5258.39 4581 677 677 458916 12.88% 12.88% 309212 525.228 10.78% 316
5 5737.71 5099 639 639 407701 11.13% 11.13% 333834 553.550 10.86% 955
6 5553.34 5588 -34 34 1177 -0.62% 0.62% 267303 449.703 8.81% 920
7 5827.86 5561 266 266 70999 4.57% 4.57% 234586 419.162 8.11% 1187
8 5561.45 5765 -204 204 41535 -3.66% 3.66% 207007 388.396 7.47% 983
9 6053.77 5609 444 444 197517 7.34% 7.34% 205821 395.400 7.46% 1427
10 5298.05 5949 -651 651 424158 -12.29% 12.29% 230080 423.830 7.99% 776
11 5581.70 5451 131 131 17056 2.34% 2.34% 208778 394.507 7.43% 907
12 6279.67 5551 729 729 530946 11.60% 11.60% 238066 424.885 7.81% 1635
13 5591.83 6108 -517 517 266881 -9.24% 9.24% 240467 432.528 7.93% 1119
14 5599.93 5713 -113 113 12837 -2.02% 2.02% 222957 407.972 7.47% 1005
15 5171.43 5627 -455 455 207139 -8.80% 8.80% 221827 411.340 7.57% 550
16 6330.31 5278 1052 1052 1106548 16.62% 16.62% 280809 454.046 8.17% 1602
17 6074.03 6083 -9 9 83 -0.15% 0.15% 263263 426.236 7.67% 1593
18 5365.93 6076 -710 710 504431 -13.24% 13.24% 277450 442.942 8.00% 883
19 5238.31 5533 -295 295 86744 -5.62% 5.62% 266855 434.696 7.87% 588
20 5684.01 5308 376 376 141746 6.62% 6.62% 260270 431.633 7.80% 965
21 5165.36 5596 -430 430 185055 -8.33% 8.33% 256510 431.560 7.83% 535
22 5119.77 5266 -147 147 21516 -2.87% 2.87% 245319 417.995 7.59% 388
23 5411.52 5154 257 257 66194 4.75% 4.75% 237177 410.690 7.46% 645

Periode Demand Peramalan =0,765 e |e| e2 PE (%) | PE | MSE MAD MAPE CFE
24 5862.30 5351 511 511 261370 8.72% 8.72% 238229 415.062 7.52% 1157
25 5742
26 5742
27 5742
28 5742
29 5742
30 5742
31 5742
32 5742
33 5742
34 5742
35 5742
36 5742
Total 132183 195075 1157 9546 5479271 11% 173% 5552244 9809 185% 20044

Modul 7 Peramalan
Kelompok 3
Single Exponential Smoothing

8000.00
6000.00
4000.00
Demand
2000.00
0.00
Periode
Demand Peramalan =0,765
Grafik 3.4 Permintaan dan Peramalan Single Exponential Smoothing
d. Metode Weight Moving Average
Metode merupakan peramalan dengan memberikan bobot

tertentu pada beberapa bulan sebelumnya. Misalnya tiga bulan
terakhir berbobot 0.2, dua bulan terakhir berbobot 0.35 dan
sebulan terakhir berbobot 0.45. Jumlah seluruh bobot harus 1.
Kemudian masing-masing demand dikalikan dengan bobot
masing-masing, kemudian dijumlahkan dan dibagi dengan
banyaknya periode yang digunakan. Adapun rumus yang
digunakan pada metode ini adalah sebagai berikut:
( X t 3 x b1 ) + ( X t2 x b2 ) +( X t 1 x b 3)
Ft =
10
Berikut adalah contoh perhitungan peramalan menggunakan
metode Weight Moving Average secara manual:
( X 173 x b1 ) + ( X 172 x b 2) +( X 171 x b3 )
F17=
10
( X 14 x b1 ) + ( X 15 x b 2 ) +( X 16 x b3)
F17=
10
( 5599,93 x 2 ) + ( 5171,43 x 3,5 ) +(6330,31 x 4,5)
F17=
10
F17=5779

Modul 7 Peramalan
Kelompok 3

atau
error t =X t F t
n
CFE n= error t
t =4
|error t|
MAD n= t =4
n3
n
error 2t
MSEn = t= 4
n3
n
PEt
MAPEn= t =4
n3
dimana,
|error t|
PEt= x 100
Xt
Berikut ini adalah contoh perhitungan error dan metode

CFE, MAD, MSE dan MAPE secara manual:
error 17= X 17F17
error 17=6074,035779
error 17=295
17
CFE17 = error t
t =4

Modul 7 Peramalan
Kelompok 3
CFE17 =error 4 + error5 + +error 16 +error 17

498

795
CFE17 =
CFE17 =2366
17
|error t|
MAD17 = t =4
173
|error 4|+|error 5|++|error 23|+|error 24|
MAD 17=
14
|498|+|795|++|925|+|295|
MAD 17=
14
MAD 17=420,954
17
error2t
MSE17= t=4
173
2 2 2 2
MSE17=
14
( 498 )2+ (795 )2+ + ( 925 )2 + ( 295 )2

MSE17=
14
MSE17=239465
|error 17|
PE 17= x 100
X 17
|295|
PE 17= x 100
6074,03
PE 17 =4,86
17
PEt
MAPE 17= t =4
173

Modul 7 Peramalan
Kelompok 3
PE 4 + PE 5 ++ PE 16 + PE 17
MAPE 17=
14
9,47 + 13,85 ++14,61 + 4,86

MAPE 17=
14
MAPE 17=7,32

Tabel 3.6 Metode Weight Moving Average
Periode Demand Bobot Peramalan e |e| e2 PE (%) | PE | MSE MAD MAPE CFE
1 4857.40 2
2 5125.84 3.5
3 4432.95 4.5
4 5258.39 4760 498 498 248040 9.47% 9.47% 248040 498.036 9.47% 498
5 5737.71 4943 795 795 631597 13.85% 13.85% 439819 646.384 11.66% 1293
6 5553.34 5309 244 244 59706 4.40% 4.40% 313114 512.372 9.24% 1537
7 5827.86 5559 269 269 72352 4.62% 4.62% 252924 451.525 8.08% 1806
8 5561.45 5714 -152 152 23197 -2.74% 2.74% 206978 391.681 7.02% 1654
9 6053.77 5653 401 401 160558 6.62% 6.62% 199242 393.183 6.95% 2054
10 5298.05 5836 -538 538 289682 -10.16% 10.16% 212162 413.903 7.41% 1516
11 5581.70 5615 -34 34 1124 -0.60% 0.60% 185782 366.356 6.56% 1483
12 6279.67 5577 703 703 493975 11.19% 11.19% 220026 403.743 7.07% 2186
13 5591.83 5839 -247 247 61122 -4.42% 4.42% 204135 388.091 6.81% 1938
14 5599.93 5831 -231 231 53184 -4.12% 4.12% 190412 373.775 6.56% 1708
15 5171.43 5733 -562 562 315407 -10.86% 10.86% 200829 389.428 6.92% 1146
16 6330.31 5405 925 925 855303 14.61% 14.61% 251173 430.613 7.51% 2071
17 6074.03 5779 295 295 87258 4.86% 4.86% 239465 420.954 7.32% 2366
18 5365.93 5983 -617 617 381036 -11.50% 11.50% 248903 434.043 7.60% 1749
19 5238.31 5807 -568 568 323000 -10.85% 10.85% 253534 442.436 7.80% 1181
20 5684.01 5450 234 234 54707 4.11% 4.11% 241838 430.169 7.59% 1415
21 5165.36 5464 -299 299 89426 -5.79% 5.79% 233371 422.884 7.49% 1116
22 5119.77 5361 -242 242 58424 -4.72% 4.72% 224163 413.348 7.34% 874
23 5411.52 5249 163 163 26551 3.01% 3.01% 214282 400.828 7.13% 1037
Periode Demand Bobot Peramalan e |e| e2 PE (%) | PE | MSE MAD MAPE CFE

24 5862.30 5260 602 602 362558 10.27% 10.27% 221343 410.414 7.28% 1639
25 5556
26 5556
27 5556
28 5556
29 5556
30 5556
31 5556
32 5556
33 5556
34 5556
35 5556
36 5556
Total 132183 182800 1639 8619 4648207 21% 153% 5001534 9034 161% 32266

Modul 7 Peramalan
Kelompok 3
Weight Moving Average

7000.00
6000.00
5000.00
4000.00
Demand 3000.00
2000.00
1000.00
0.00
Periode
Demand Peramalan
Grafik 3.5 Permintaan dan Peramalan Weight Moving Average
e. Metode Double Exponential Smoothing

Metode ini menggunakan rumus dalam melakukan
peramalan, yaitu dengan rumus:
S 't =( x X t ) +( ( 1 ) x S't 1)
S (}t=eltf {xS{s1}u
r(xS-be{+ rfl)ih}rp(b{1t-
gst}u 's}u
rp{

}
at =( 2 x S 't ) S t
} right )
S 'tS t

bt =
1 (x )
Ft +1=at +b t
Dimana:
Ft = peramalan pada periode t
Xt = demand pada periode t

Untuk nilai peramalan setelah periode maksimal (tmax,
dalam kasus ini t maksimal adalah 24), maka rumus peramalan
yang digunakan adalah:
Ftmax +n=atmax + ( ( t max+nt max ) x btmax )

Modul 7 Peramalan
Kelompok 3
Selain perhitungan peramalan, juga terdapat perhitungan error

dan besar kesalahan terhadap hasil peramalan. Adapun cara
error t =X t F t
n
CFE n= error t
t=3
|error t|
MAD n= t=3
n2
n
error 2t
MSEn = t =3
n2
|PEt|
MAPEn= t=3
n2
dimana,
error t
PE t= x 100
Xt
Perhitungan manual:
S '17=( x X 17 ) + ( 1 ) x S'171
S '17 =( 0,765 x 6074,03 )+ ( ( 0,235 ) x 6083,11 ) =6076,16

etfl 1st}rufgl)7i}rph({1-sutr
S(}17
= {xSs}ru{bx{S1sugr}(-)i7{bhe+ '}{p

} = left (0,765 x 6076,16 right ) + left (left (0,235 right ) x 5915,17 right ) =6038,3
S17
}
'
a17=( 2 x S 17 )S 17

a17= (2 x 6076,16 )6038,32=6114

Modul 7 Peramalan
Kelompok 3
} right )
S'17S17

( )
b17=
1
x
0,765
b =(
0,235 )
17 x ( 6076,166038,32 )=123
F18=a17 +b17
F18=6114+123=6237
error 17= X 17F17
error 17=6074,036798=(724)
CFE17 =error 3 +error 4 + +error 16 +error 17

CFE17 =(835 )+ 1111+ +1435+ (724 ) =58
|error 3|+|error 4|++|error 16|+|error17|

MAD 17=
15
|835|+|1111|++|1435|+|(724)|
MAD 17=
15
835+1111++1435+(724)
MAD 17= =657,628
15

MSE17=
15
(835 )2 +11112 ++ ( 1435 )2 + (724 )2
MSE17=
15
697505+1234270+ + 2059383+523850
MSE17=
15
8504279
MSE17= =566952
15
error 17
PE 17= x 100
X 17

Modul 7 Peramalan
Kelompok 3
724
PE 17 = x 100 =11,92
6074,03
|PE3|+|PE4|+ +|PE16|+|PE17|
MAPE 17=
17
|(18,84 )|+|21,13 |+ +|22,67 |+|(11,92 )|

MAPE 17=
17
MAPE17=12

Tabel 3.7 Metode Double Exponential Smooting
Period MAP
Demand S' S" a b Peramalan e |e| e2 PE (%) | PE | MSE MAD CFE
e E
4857.399
4857.40 4857.3996
1 6
5062.759
5125.84 5014.499623
2 1 5111 157
4580.956
4432.95 4682.838796
3 1 4479 -332 5268 -835 835 697505 -18.84% 18.84% 697505 835.16741 19% -835
5099.192
5258.39 5001.349546
4 7 5197 319 4147 1111 1111 1234270 21.13% 21.13% 965887 973.07226 20% 276
5587.656
5737.71 5449.874444
5 6 5725 449 5516 222 222 49355 3.87% 3.87% 660377 722.76849 15% 498
5561.406
5553.34 5535.196734
6 8 5588 85 6174 -621 621 385170 -11.18% 11.18% 591575 697.23149 14% -123
5765.246
5827.86 5711.184917
7 6 5819 176 5673 155 155 24002 2.66% 2.66% 478060 588.77016 12% 32
5609.339
5561.45 5633.272907
8 2 5585 -78 5995 -434 434 188226 -7.80% 7.80% 429755 562.95022 11% -402
5949.327
6053.77 5875.054574
9 4 6024 242 5507 546 546 298416 9.02% 9.02% 410992 560.56802 11% 145
5451.102
5298.05 5550.731572
10 9 5351 -324 6265 -967 967 935724 -18.26% 18.26% 476584 611.41305 12% -823
11 5581.70 5551.012 5550.946088 5551 0 5027 555 555 307528 9.94% 9.94% 457800 605.09512 11% -268
6108.437
6279.67 5977.426732
12 1 6239 426 5551 728 728 530537 11.60% 11.60% 465073 617.4236 11% 460
5713.233
5591.83 5775.319156
13 8 5651 -202 6666 -1074 1074 1153684 -19.21% 19.21% 527674 658.93933 12% -614
5626.559
5599.93 5661.518163
14 7 5592 -114 5449 151 151 22769 2.69% 2.69% 485599 616.60217 11% -463
5278.388
5171.43 5368.424291
15 9 5188 -293 5478 -306 306 93860 -5.92% 5.92% 455465 592.73783 11% -769
16 6330.31 6083.1122 5915.160555 6251 547 4895 1435 1435 2059383 22.67% 22.67% 570031 652.90335 12% 666

6076.160
6074.03 6038.325627
17 6 6114 123 6798 -724 724 523850 -11.92% 11.92% 566952 657.62812 12% -58
5532.832
5365.93 5651.623166
18 2 5414 -387 6237 -871 871 759048 -16.24% 16.24% 578958 670.97845 12% -929
5307.521
5238.31 5388.38533
19 4 5227 -263 5027 211 211 44508 4.03% 4.03% 547520 643.9191 12% -718
20 5684.01 5595.538 5546.857133 5644 158 4963 721 721 519256 12.68% 12.68% 545949 648.17882 12% 2
5266.449
5165.36 5332.345557
21 8 5201 -215 5803 -637 637 406194 -12.34% 12.34% 538594 647.608 12% -635
5154.236
5119.77 5196.09246
22 9 5112 -136 4986 134 134 17882 2.61% 2.61% 512558 621.91379 11% -501
5351.057
5411.52 5314.640587
23 3 5387 119 4976 435 435 189565 8.05% 8.05% 497178 613.03171 11% -66
Period MAP
Demand S' S" a b Peramalan e |e| e2 PE (%) | PE | MSE MAD CFE
e E
5742.158
5862.30 5641.691972
24 7 5843 327 5506 356 356 126935 6.08% 6.08% 480348 601.36112 11% 290
25 6170
26 6497
27 6824
28 7151
29 7478
30 7805
31 8132
32 8459
33 8786
34 9113
35 9440
36 9767

12729 1056766
Total 132183 131911 131670 5 784 217531 290 13230 5 -5% 239% 11940433 14400 273% -4834

Modul 7 Peramalan
Kelompok 3
Double Exponential Smoothing

12000.00
10000.00
8000.00
6000.00
Demand
4000.00
2000.00
0.00
Periode
Demand Peramalan
Grafik 3.6 Permintaan dan Peramalan Double Exponential Smooting
f. Metode Linier Regresi

Berikut ini adalah tabel dari hasil data dengan
menggunakan metode linier regresi.
Metode ini menggunakan beberapa rumus dalam
melakukan peramalan, yakni:
b=
(
n(( t x X t ) ( t x X t ) ))
2
( n x ( t 2( t ) ))
a=
Xt b x t
n n
Ft =a+(b x t)
Dimana:
N = banyaknya demand
t = periode
Xt = demand
Ft = peramalan pada periode ke-t
error t =X t F t

Modul 7 Peramalan
Kelompok 3
Berikut ini adalah rumus yang digunakan dalam

perhitungan keempat metode tersebut:
n
CFE n= error t
t=2
|error t|
MAD n= t=2
n1
n
error 2t
MSEn = t =2
n1
n
|PEt|
MAPE n= t=2
n1
dimana,
error t
PE t= x 100
Xt
Perhitungan manual:
17( 103258,4( 153 x 6074,03 ) )
b= =627,04
( 17 x (178597184,37 ) )
6074,03 627,04 x 153
a= =94,23
17 17
F17= (94,23 )+ ( 627,04 x 17 ) =10565,45
error 17= X 17F17
error 17=6074,033133=2941

CFE17 =5024+ 4129+ +3399+2941=63600
|error 2|+|error 3|+ +|error16|+|error 17|

MAD17=
16
|5024|+|4129|+ +|3399|+|2941|
MAD17=
16

Modul 7 Peramalan
Kelompok 3
64410,83
MAD17= =3975,024
16
MSE17=
16
( 5024 )2+ ( 4129 )2+ + ( 3399 )2 + ( 2941 )2
MSE17=
16
64410,83
MSE17= =16399470
16
error 17
PE 17= x 100
X 17
2941
PE 17= x 100 =48,42
6074,03
|PE2|+|PE3|++|PE 16|+|PE17|
MAPE17=
16
|98,02 |+|93,15 |++|53,70 |+|48,42 |
MAPE17=
16
1145,30
MAPE17= =72
16

Tabel 3.8 Metode Linier Regresi
Peramala
Periode Demand t.Xt t2 e |e| e2 PE (%) | PE | MSE MAD MAPE CFE
n
1 4857.40 4857.3996 1
2 5125.84 10251.687 4 102 5024 5024 25242149 98.02% 98.02% 25242149 5024.1566 98% 5024
3 4432.95 13298.854 9 304 4129 4129 17050073 93.15% 93.15% 21146111 4576.665 96% 9153
4 5258.39 21033.558 16 506 4753 4753 22586455 90.38% 90.38% 21626226 4635.2836 94% 13906
5 5737.71 28688.538 25 708 5030 5030 25298364 87.66% 87.66% 22544260 4733.8997 92% 18936
6 5553.34 33320.059 36 910 4643 4643 21560166 83.61% 83.61% 22347442 4715.7783 91% 23579
7 5827.86 40795.049 49 1112 4716 4716 22238039 80.92% 80.92% 22329208 4715.769 89% 28295
8 5561.45 44491.568 64 1314 4247 4247 18038822 76.37% 76.37% 21716296 4648.8325 87% 32542
9 6053.77 54483.914 81 1516 4537 4537 20588405 74.95% 74.95% 21575309 4634.909 86% 37079
10 5298.05 52980.536 100 1718 3580 3580 12813817 67.57% 67.57% 20601810 4517.6568 84% 40659
11 5581.70 61398.733 121 1921 3661 3661 13404368 65.59% 65.59% 19882066 4432.0109 82% 44320
12 6279.67 75356.068 144 2123 4157 4157 17281281 66.20% 66.20% 19645631 4407.0168 80% 48477
13 5591.83 72693.81 169 2325 3267 3267 10674231 58.43% 58.43% 18898014 4312.0274 79% 51744
14 5599.93 78399.08 196 2527 3073 3073 9444288 54.88% 54.88% 18170804 4216.7296 77% 54817
15 5171.43 77571.518 225 2729 2443 2443 5966125 47.23% 47.23% 17299042 4090.0036 75% 57260
16 6330.31 101285.04 256 2931 3399 3399 11555612 53.70% 53.70% 16916146 4043.9603 73% 60659
17 6074.03 103258.43 289 3133 2941 2941 8649329 48.42% 48.42% 16399470 3975.0237 72% 63600
18 5365.93 96586.693 324 3335 2031 2031 4124089 37.85% 37.85% 15677389 3860.6567 70% 65631
19 5238.31 99527.858 361 3537 1701 1701 2893657 32.47% 32.47% 14967182 3740.68 68% 67332
20 5684.01 113680.27 400 3739 1945 1945 3781818 34.21% 34.21% 14378478 3646.1542 66% 69277
21 5165.36 108472.51 441 3941 1224 1224 1498035 23.70% 23.70% 13734456 3525.0436 64% 70501
22 5119.77 112634.86 484 4144 976 976 953084 19.07% 19.07% 13125819 3403.673 62% 71477
23 5411.52 124464.93 529 4346 1066 1066 1136189 19.70% 19.70% 12580836 3297.4116 60% 72543

Peramala
Periode Demand t.Xt t2 e |e| e2 PE (%) | PE | MSE MAD MAPE CFE
n
24 5862.30 140695.22 576 4548 1315 1315 1728208 22.42% 22.42% 12108983 3211.2029 58% 73858
25 625 4750
26 676 4952
27 729 5154
28 784 5356
29 841 5558
30 900 5760
31 961 5962
32 1024 6164
33 1089 6367
34 1156 6569
35 1225 6771
36 1296 6973
666 132183 1670226 16206 123803 73858 73858 278506606 1336% 1336% 422913129 96365 1799% 1080670

Modul 5 Peramalan
Kelompok 3
Linier Regresi
8000.00
7000.00
6000.00
5000.00
4000.00
Demand
3000.00
2000.00
1000.00
0.00
Periode
Demand Peramalan
Grafik 3.7 Permintaan dan Peramalan Linier Regresi
3.2.3 Rekapitulasi Nilai Error dan Verifikasi Data

Rekapitulasi nilai error ini dari masing-masing metode
peramalan. Perhitungan nilai error ini dapat dilakukan dengan
menggunakan 4 metode sebagai berikut: Mean Square Error (MSE),
Mean Average Deviation (MAD), Mean Absolute Percentage
(MAPE), Cumulative Forcast Error (CFE). Berikut ini adalah tabel
dari rekapitulasi nilai error dan verifikasi data.
Tabel 3.9 Rekapitulasi Nilai Error dan Verifikasi Data
MSE MAD MAPE CFE
SA 5996364 10425 191.95% 78735.62
SMA 5016421 9151 162.87% 78735.62
SES 5552244 9809 184.55% 20043.79
WMA 5001534 9034 160.81% 32266.00
DES 11940433 14400 272.82% -4834.05
42291312 1799.24 1080670.4
LR 9 96365 % 6
5001534 9034 160.81% -4834.05
Berdasarkan rekapitulasi nilai error dan verifikasi data, letak

error terkecil pada Metode Weight Moving Average.

Modul 5 Peramalan
Kelompok 3
3.2.4 Validasi Metode

Validasi metode menggunakan Peta Moving Range. Dengan
melakukan perhitungan Moving Range (MR), UCL, CL, LCL,
()Region A, ()Region B dan ()Region C, maka didapatlah hasil
sebagai berikut:
Tabel 3.10 Tabel Perhitungan Validasi Metode Terpilih

Periode Demand Peramalan Error MR | MR |
1 4857.40
2 5125.84
3 4432.95
4 5258.39 4760 498
5 5737.71 4943 795 296.694 296.694
6 5553.34 5309 244 -550.383 550.383
7 5827.86 5559 269 24.636 24.636
8 5561.45 5714 -152 -421.289 421.289
9 6053.77 5653 401 553.001 553.001
10 5298.05 5836 -538 -938.917 938.917
11 5581.70 5615 -34 504.692 504.692
12 6279.67 5577 703 736.363 736.363
13 5591.83 5839 -247 -950.061 950.061
14 5599.93 5831 -231 16.612 16.612
15 5171.43 5733 -562 -330.996 330.996
16 6330.31 5405 925 1486.437 1486.437
17 6074.03 5779 295 -629.431 629.431
18 5365.93 5983 -617 -912.676 912.676
19 5238.31 5807 -568 48.950 48.950
20 5684.01 5450 234 802.226 802.226
21 5165.36 5464 -299 -532.937 532.937
22 5119.77 5361 -242 57.331 57.331
23 5411.52 5249 163 404.657 404.657
24 5862.30 5260 602 439.182 439.182
25 5556 Total 10637.5
26 5556 Rata-Rata MR 531.9
27 5556 UCL 1414.8
28 5556 LCL -1414.8
29 5556 Region A 941.4
30 5556 Region B 473.4
31 5556 Region C 0
32 5556
33 5556
34 5556
35 5556

Modul 5 Peramalan
Kelompok 3
36 5556
Kemudian dilakukan plotting data berdasarkan data historis

dengan hasil peramalan 12 periode kedepan, beserta UCL, CL, LCL,
()Region A, ()Region B dan ()Region C. Plot data dapat dilihat pada
grafik 3.8 berikut:
Moving Range Chart
Error 1 2 3 4 5 6 7 8 9 101112131415161718192021
Periode
Error UCL LCL

Region A+ Region B+ CL
Region B- Region A-
Grafik 3.8 Grafik Plot Data Validasi Metode Terpilih
3.2.5 Hasil Peramalan yang Digunakan

Setelah dilakukan verifikasi dan validasi, maka didapatlah
metode terbaik yaitu metode Weight Moving Average, sehingga
didapatlah data permintaan untuk 12 periode kedepan sebagai
berikut:
Tabel 3.11 Tabel Peramalan 12 Periode ke depan
Periode Peramalan
25 5556
26 5556
27 5556
28 5556
29 5556
30 5556
31 5556
32 5556
33 5556
34 5556
35 5556
36 5556

Modul 5 Peramalan
Kelompok 3
BAB IV
ANALISA
1 Analisis Terhadap Beberapa Metode

1 Analisis Metode Simple Average
Pada metode Simple Average ini dapat dilihat secara umum,
grafik menunjukan bentuk tidak beraturan atau disebut dengan pola
data siklis. Dari grafik dapat diketahui bahwa nilai rata-rata
(average) demand selalu berada di atas nilai average dari peramalan.
Sebagai contoh perbandingan nilainya, pada periode ke-2 memiliki
demand sebesar 5125,84 dan peramalannya sebesar 4857, kemudian
pada periode ke-3 memiliki demand sebesar 4432,95 dan
peramalannya sebesar 4992, ini berarti nilai peramalan lebih kecil
dari demand, tetapi untuk dapat memenuhi kebutuhan kapasitas di
masa yang akan datang tentunya akan lebih baik jika
memaksimalkan resource yang tersedia.
Pola data pada hasil peramalan ditunjukkan oleh grafik yang
terus bergerak naik atau meningkat secara signifikan, secara teori ini
berarti mengikuti pola data trend naik, sesuai prediksi perusahaan
bahwa kebutuhan dan keinginan konsumen terhadap produk mobil
Tamiya akan terus meningkat dan beragam, oleh karena itu alangkah
lebih baik jika peramalan terus bergerak naik mengikuti tren waktu.
Sementara pada grafik demand-nya mengikuti pola data siklis,
kadang naik dan kadang turun, ini berarti bahwa permintaan
konsumen akan selalu beragam atau bervariasi, disebabkan oleh
beberapa faktor lainnya sehingga pola data seperti terlihat tidak
beraturan. Metode Simple Average ini akan sesuai digunakan jika
data yang tersedia tidak mengandung unsur trend dan faktor
musiman. Karena metode ini akan lebih berguna untuk mencari nilai
average terbaik dari perbandingan ramalan dan demand atau data
aktual yang sebenarnya.

Modul 5 Peramalan
Kelompok 3
Kemudian besarnya kesalahan terhadap peramalan pada metode

Simple Average ini dapat diketahui dengan mencari nilai perhitungan
dari beberapa metode, seperti CFE, MAD, MSE, dan MAPE. Dalam
menghitung CFE, diambil dari contoh data pada periode ke 3 dengan
cara menjumlahkan errror dari periode ke 2 dan ke 3 dan seterusnya.
Total nilai CFE keseluruhan, yakni selama 36 periode dengan
menggunakan metode ini adalah sebesar 78736. Lalu perhitungan
nilai error menggunakan rumus MAPE memiliki total nilai
mencapai bobot persenan sebesar 192%. Kemudian perhitungan nilai
error dengan menggunakan rumus MAD memiliki total nilai untuk
36 periode pada metode ini adalah sebesar 10425. Sementara itu
perhitungan nilai error dengan menggunakan rumus MSE mencapai
total nilai sebesar 5996364, untuk setiap 36 periode dengan
menggunakan metode Simple Average ini. Dalam pengujian error,
dengan rumus MSE didapat nilai error yang paling kecil dari semua
metode perhitungan error yang digunakan, artinya jika terdapat
suatu kesalahan nilai yang cukup besar atau tingkat akurasi
peramalan pada suatu periode sangat kecil bila dibandingkan dengan
permintaan (demand), ini dapat disebabkan oleh masalah faktor
eksternal maupun internal didalam perusahaan tersebut. Jika pada
awal periode nilai MSE tersebut cukup tinggi, maka sebaiknya perlu
dilakukan penelitian lebih lanjut untuk melihat dan memperbaiki apa
kesalahan yang terjadi pada data maupun produk terkait.
2 Analisis Metode Single Moving Average

Pada metode Single Moving Average ini didapatkan pola grafik
siklis, terlihat bahwa garis grafik pada demand maupun peramalan
naik turun tidak beraturan. Metode peramalan ini dilakukan dengan
menggunakan metode 3 SMA, sehingga pada periode ke- 4, 9, 12,
16 dan 17 hasil grafik demand menunjukan berada di atas
peramalan. Selanjutnya demand ke 2, 3 dan 4 dijumlahkan,
kemudian dibagi 3. Hasil dari perhitungan tersebut menjadi

Modul 5 Peramalan
Kelompok 3
peramalan pada periode ke 5, begitu seterusnya. Sehingga dapat

dianalisa bahwa metode ini selalu bergerak mengikuti hasil
pembagian dengan periode demand sebelumnya. Hal ini
berpengaruh pada setiap hasil peramalan maupun demand untuk
setiap periode.
Pada metode SMA ini, grafik yang menunjukan pola data siklis
berarti pada nilai average demand selalu terjadi perubahan
signifikan atau nilainya tidak tetap, sementara pada grafik
peramalannya juga mengikuti pola data siklis namun pada akhirnya
akan tetap mengalami peningkatan, ini dikarenakan kebutuhan dan
keinginan konsumen setiap waktu berbeda-beda. Sehingga untuk
memenuhinya, perusahaan memang sebaiknya meramalkan
kebutuhan kapasitas semaksimal mungkin dari data demand yang
sudah ada sebelumnya.
Sementara besarnya kesalahan terhadap peramalan pada metode
Sngle Moving Average ini dapat diketahui dengan mencari nilai
perhitungan dari beberapa metode, seperti CFE, MAD, MSE, dan
MAPE. Nilai perhitungan error secara manual dari 36 periode
adalah sebesar 1707, sebagai contoh perhitungan nilai errornya
didapat dari hasil pengurangan nilai demand dan nilai peramalan,
nilai demand pada periode ke 4 dan hasil peramalan periode ke 4.
Digunakannya pada periode ke 4 dikarenakan periode ke 1 sampai
periode ke 3 belum memiliki nilai peramalan karena untuk
mendapatkan hasil peramalan menggunakan nilai demand 3 bulan
terakhir. Nilai demand dari periode ke 4 adalah 5258,39 dikurangkan
dengan hasil peramalan 3 bulan terakhir adalah 4805 maka
didapatlah hasil error sebesar 453.
Setelah itu mencari nilai CFE pada metode ini dilakukan dengan
cara menjumlahkan hasil error dari seluruh periode yang akan dicari
nilai CFE tersebut. Total nilai CFE dengan menggunakan metode ini
adalah sebesar 35153. Selanjutnya mencari nilai MSE, sebagai
contoh pada periode ke 4 yaitu dengan membagi nilai R SQUARE

Modul 5 Peramalan
Kelompok 3
adalah 421519, dimana R SQUARE di dapat dari hasil error di

pangkatkan 2 dan dibagi dengan nilai 4, karena dimulai dari periode
ke 4 dikurangkan dengan 3. Nilai 3 adalah nilai ketetapan dari
rumus. Kemudian mencari nilai PE, contoh yang diambil pada
periode ke 4 didapatkan dari hasil pengabsolutan error adalah 799
dibagi demand dan di kalikan dengan 100 dan didapatlah hasil
sebesar 13,92%, 100 adalah nilai ketepatan dari rumus. Total nilai
MSE adalah sebesar 5016421. Kemudian mencari nilai MAPE,
contoh yang diambil pada periode ke 4. MAPE didapat dari hasil
pembagian PE adalah 8,61% dibagi dengan periode dikurang 3.
Total nilai MAPE mencapai bobot persenan sebesar 163%.
Pada metode Single Moving Average ini belum dapat
menyesuaikan dengan pola data demand dan peramalan yang
ditentukan, karena hasil kesalahan (error) yang didapat cukup tinggi
bila dibandingkan dengan metode Simple Average maupun metode
yang lain.
3 Analisis Metode Single Exponential Smoothing

Dari grafik Single Exponential Smoothing dapat dilihat
bahwa pola data yang didapatkam pada grafik adalah pola data
siklis, hal ini dilihat dari bentuk grafik yang tidak beraturan. Baik
pada grafik demand maupun grafik peramalan, dimana grafik
peramalan bergeser kearah kanan, sehingga hal ini menyebabkan
titik temu antara demand dan peramalan sangat jarang sekali terjadi,
oleh karena itu hasil peramalan menjadi kurang akurat terhadap
demand. Namun antara hasil grafik demand dan peramalan
dibeberapa data hampir mengalami keseimbangan antara demand
dengan peramalan.
Sebagai contoh perhitungan grafik pada demand di periode
ke-4 berada di atas hasil peramalan, begitu pula dengan periode 12
dan 16, namun masih terdapat beberapa data yang tidak jauh dari
hasil peramalan. Pada metode Single Exponential Smoothing, untuk

Modul 5 Peramalan
Kelompok 3
mencari nilai peramalan dengan cara: ( x demand periode

sebelumnya) + (1-) x hasil peramalan periode sebelumnya), sebagai
contoh perhitungan:
Pada periode ke 4 = (0,765 x 4432,95) + (1- 0,765) x 5063),
maka didapat hasil peramalannya adalah 4580,9561. merupakan
konstanta perataan antara 0 dan 1, jadi untuk menentukan nilai
konstanta smoothing atau (alpha) harus berkisar antara 0 ke 1.
Untuk nilai hasil perhitungan error yang diambil, terdapat
total nilai CFE keseluruhan adalah sebesar 20044. Nilai MAD
didapat dari hasil jumlah absolut error yang dibagi dengan angka
periode dikurang 1, total nilai MAD adalah sebesar 11316.
Sedangkan untuk nilai MSE didapat dengan menjumlahkan nilai
error dari semua periode yang akan dicari MSE-nya yang masing-
masing sudah dipangkatkan 2 dan dibagi angka periode dikurang 1.
Dan total nilai MSE keseluruhan adalah sebesar 5552244. Kemudian
untuk nilai MAPE keseluruhan mencapai bobot persenan sebesar
185%. Hasil perhitungan kesalahan atau pengujian error pada
metode ini cukup besar. Metode Single Exponential Smoothing
memang lebih cocok digunakan untuk data peramalan yang
mengalami hal random (tidak teratur). Tetapi dalam pengujian error
untuk metode ini masih tergolong besar bila dibandingkan dengan
metode yang lain.
4 Analisis Metode Weight Moving Average

Dari grafik Weight Moving Average dapat diketahui bahwa
demand dan peramalan tidak jauh berbeda dengan grafik pada Single
Exponential Smoothing. Sebagai contoh, pada grafik terlihat bahwa
demand pada periode 12 dan periode 16 jauh di atas hasil peramalan,
sedangkan pada periode 10, 15 dan 18 jauh di bawah hasil
peramalan, untuk beberapa lainnya terlihat normal/hampir seimbang
antara demand dan peramalan. Grafik mengikuti pola data musiman
dikarenakan demand mengalami perulangan dari periode satu ke

Modul 5 Peramalan
Kelompok 3
periode berikutnya, sementara pola data peramalan juga mengikuti

pola data demand namun tetap menunjukan konstan walaupun
mengalami pergeseran sedikit tiap periodenya.
Pada metode Weight Moving Average, untuk mencari nilai
peramalan bisa didapat dengan cara menjumlahkan demand 3
periode sebelumnya dengan masing-masing dikali bobot 2, 3,5 dan
4,5. Sebagai contoh untuk periode 4 = (4857,40 x 0,2) + (5125,84 x
0.35) + (4432,95 x 0.45), maka didapatkan hasil 4760 untuk
peramalan periode 4.
Dan hasil perhitungan error didapat dengan mengurangkan
nilai demand dengan nilai peramalan, sebagai contoh pada periode 5,
nilai demand 5737,71 dikurang nilai peramalan 4943 didapatkan
nilai error yaitu 795. Total error keseluruhan adalah sebesar 1639.
Sedangkan untuk mencari nilai CFE pada metode ini adalah dengan
menjumlahkan hasil error dari semua periode yang akan di cari nilai
CFE-nya. Total nilai CFE keseluruhan dengan menggunakan metode
ini adalah sebesar 32266. Untuk mencari nilai MAD bisa didapat
dengan cara menjumlahkan absolut error kemudian jumlah tersebut
dikali dengan angka 2 periode sebelumnya dikurang 1. Hingga total
keseluruhan nilai MAD adalah sebesar 9034. Sedangkan untuk
mencari nilai MSE didapat dengan cara menjumlahkan error yang
sudah dipangkatkan 2 dibagi angka 2 periode sebelumnya dikurang
1. Hingga total nilai MSE adalah sebesar 5001534. Kemudian untuk
nilai MAPE bisa didapat dengan menjumlahkan nilai PE dari periode
1 hingga periode sekarang, kemudian di bagi dengan periode angka
periode sekarang dan dikurang 1. PE adalah sebagai nilai pembantu
yang didapat dengan cara IerrorI dibagi demand kemudian dikali
100. Hingga total nilai MAPE dengan menggunakan metode ini
adalah sebesar 161%.

Modul 5 Peramalan
Kelompok 3
5 Analisis Metode Double Exponential Smoothing

Berdasarkan peramalan yang telah dilakukan dengan
menggunakan metode Double Exponential Smoothing, maka
didapatlah nilai peramalan untuk 12 periode ke depan, yaitu 6170,
6497, 6824, 7151, 7478, 7805, 8132, 8459, 8786, 9113, 9440, dan
9767 yang dapat dilihat pada tabel 3.7. Hasil verifikasi dengan
empat metode yaitu MSE, MAD, MAPE dan CFE secara berturut-
turut adalah 11940433, 14400, 273%, -4834.
Pada gambar grafik menunjukkan bentuk grafik demand dan

peramalan. Pada grafik demand plot data berbentuk musiman dan
pada grafik peramalan plot data juga berbentuk musiman. Dengan
demikian bentuk grafik peramalan menyerupai grafik demand dan
dengan jarak yang dekat namun pada periode 12 ke depan grafik
peramalan menjadi linier.
6 Analisis Metode Linier Regresi

Berdasarkan peramalan yang telah dilakukan dengan
menggunakan metode Double Exponential Smoothing, maka
didapatlah nilai peramalan untuk 12 periode ke depan, yaitu 4750,
4952, 5154, 5356, 5558, 5760, 5962, 6164, 6367, 6569, 6771, dan
6973 yang dapat dilihat pada tabel 3.8. Hasil verifikasi dengan empat
metode yaitu MSE, MAD, MAPE dan CFE secara berturut-turut
adalah 422913129, 96365, 1799%, 1080670.
Pada gambar grafik menunjukkan bentuk grafik demand dan

peramalan. Pada grafik demand plot data berbentuk musiman
sedangkan pada grafik peramalan plot data berbentuk linier. Dengan
demikian bentuk grafik peramalan sama sekali tidak menyerupai
grafik demand.

Modul 5 Peramalan
Kelompok 3
4.1 Analisis Verifikasi

Guna dari verifikasi error adalah untuk mengetahui hasil error pada
peramalan yang telah dilakukan. Hal ini dilakukan agar mengetahui metode
peramalan yang terbaik. Verifikasi dilakukan dengan empat metode yakni
Mean Square Error, Mean Absolute Deviation, Mean Absolute Percentage
Error dan Cumulative Forecast Error. Berikut adalah tabel rekapitulasi:
Tabel 3.9 Rekapitulasi Nilai Error

MSE MAD MAPE CFE
SA 5996364 10425 191.95% 78735.62
SMA 5016421 9151 162.87% 78735.62
SES 5552244 9809 184.55% 20043.79
WMA 5001534 9034 160.81% 32266.00
DES 11940433 14400 272.82% -4834.05
42291312 1799.24 1080670.4
LR 9 96365 % 6
5001534 9034 160.81% -4834.05
Berdasarkan tabel rekapitulasi yang dapat dilihat pada tabel 3.9, nilai
MSE terkecil terdapat pada metode WMA sebesar 5001534, nilai MAD
terkecil terdapat pada metode WMA sebesar 9034, nilai MAPE terkecil
terdapat pada metode WMA sebesar 160.81% dan nilai CFE terkecil
terdapat pada metode LR sebesar -4834.05. Maka metode yang terpilih yaitu
metode Weight Moving Average.
4.2 Analisis Metode Terpilih

Metode yang telah terpilih berdasarkan hasil uji verifikasi, yaitu
metode Weight Moving Average. Metode ini dipilih karena merupakan
metode terbaik untuk digunakan dalam peramalan demand perusahaan ini,
karena dilihat dari plot grafik yang digambarkan pada metode Weight
Moving Average menunjukkan bahwa kedua line grafik, yakni grafik
demand dan grafik peramalannya sama-sama menyerupai pola data grafik
musiman. Selain itu, metode ini mendapatkan hasil pengujian error atau
besar kesalahan data yang paling kecil diantara metode lainnya seperti SA,

Modul 5 Peramalan
Kelompok 3
SMA, SES, DES dan LR, oleh karena itu menjadi alasan dipilihnya metode
Weight Moving Average sebagai metode terbaik.
4.3 Analisis Validasi

Validasi kali ini menggunakan peta Moving Range Chart, yaitu

MR
dengan menghitung nilai , UCL, LCL, Region A, Region B dan
Region C. MRC berguna untuk melihat penyebaran selisih demand dan

peramalan apakah perseberan masih dalam kontrol, yang berarti apabila ada
data yang berada diluar kontrol maka metode peramalan tidak sesuai. Nilai

MR didapat dari selisih antar error periode sekarang dengan error

MR
periode sebelumnya. Nilai kemudian digunakan untuk mencari nilai
UCL, LCL, Region A, Region B dan Region C. Nilai CL dan Region C

sebesar 0, nilai UCL sebesar 1414,8, nilai LCL sebesar -1414,8, nilai Region
A sebesar 941,4 dan nilai Region B sebesar 473,4. Kemudian nilai error
akan diplotkan dengan data-data diatas. Berdasarkan gambar tersebut, dapat
dilihat bahwa hasil data pada grafik menunjukkan tidak adanya data yang
Outlier, sehingga data tersebut telah dapat dikatakan sudah valid.

Modul 5 Peramalan
Kelompok 3
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil pembahasan di bab sebelumnya maka dapat
disimpulkan adalah sebagai berikut:
1. Manfaat forecasting didalam proses produksi/perakitan mobil Tamiya
PT. SEDAPTU adalah untuk mengetahui persediaan kapasitas yang akan
diproduksi serta menetapkan hasil peramalannya sebagai acuan dalam
melakukan proses produksi, hal ini terdapat data permintaan (demand)
untuk 12 periode, dari periode ke 25 sampai ke periode 36, yakni
sebesar 5556. Sehingga posisi forecasting dalam sistem produksi pada
perusahaan ini sangatlah penting, yaitu untuk mengoptimalkan kinerja
produksi perusahaan sehingga dapat memenuhi permintaan konsumen
(demand) 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. Setelah mengolah data demand dan peramalan terkait penggunaan
beberapa metode, seperti SA, SMA, SES, WMA, DES, dan LR,
didapatkan pola data yang dominan adalah siklis, namun ada pula
terdapat pola data musiman, yakni pada metode Weight Moving Average,
Double Exponential Smoothing dan Linier Regresi. Selain itu,
didapatkan beberapa uji kesalahan atau error dan verifikasi data yang
diantaranya menggunakan perhitungan rumus MSE, MAD, MAPE, CFE
untuk semua metode peramalan, maka didapat nilai error paling kecil
yaitu pada metode Weight Moving Average, untuk itu metode ini dipilih
sebagai metode terbaik.
3. Implementasi metode dan teknik forecasting yang dapat dilakukan
didalam bidang industri adalah dalam memprediksi permintaan
konsumen dengan tepat di periode selanjutnya berdasarkan periode masa
lalu, untuk itu teknik peramalan sangat dibutuhkan dalam sistem
produksi, terutama di perusahaan bidang manufaktur. Sehingga

Modul 5 Peramalan
Kelompok 3
perusahaan PT. SEDAPTU dapat menentukan jumlah kebutuhan

material part mobil Tamiya dalam suatu lantai produksinya dan
keputusan penting lainnya dalam rangka mengurangi inventori atau
adanya kelebihan serta kekurangan persediaan yang nantinya akan
mempengaruhi tingkat keuntungan perusahaan.
4. Hasil rekapitulasi dapat dilihat berdasarkan tabel 3.9, nilai MSE terkecil
terdapat pada metode WMA sebesar 5001534, nilai MAD terkecil
terdapat pada metode WMA sebesar 9034, nilai MAPE terkecil terdapat
pada metode WMA sebesar 160.81% dan nilai CFE terkecil terdapat
pada metode LR sebesar -4834.05. Maka metode yang terpilih yaitu
metode Weight Moving Average. Selanjutnya validasi data menggunakan

MR
peta Moving Range Chart, Nilai kemudian digunakan untuk
mencari nilai UCL, LCL, Region A, Region B dan Region C. Nilai

CL dan Region C sebesar 0, nilai UCL sebesar 1414,8, nilai LCL
sebesar -1414,8, nilai Region A sebesar 941,4 dan nilai Region B
sebesar 473,4. Berdasarkan grafik validasi menunjukkan tidak adanya
data yang Outlier, sehingga data tersebut dapat dikatakan sudah valid.
5.2 Saran
Saran untuk Praktikum Terintegrasi Industri II modul 5 Peramalan
adalah:
1. Praktikan sebaiknya lebih teliti dalam melakukan pengolahan data dan
perhitungan manual forecasting sehingga akan didapatkan hasil yang
sesuai dengan tujuan.
2. Praktikan sebaiknya lebih menguasai software yang mendukung dalam
melakukan forecasting, seperti EViews, Microsoft Excel, SPSS dan
WinQSB.
3. Praktikan sebaiknya memahami materi forecasting lebih baik sehingga
mudah dalam melakukan analisis terhadap hasil modul peramalan ini.

Modul 5 Peramalan
Kelompok 3
DAFTAR PUSTAKA
Gasperz. 1998. Production Planning and Inventory Control. Jakarta: Gramedia

Pustaka Utama.
Subagyo. 1986. Forecasting Konsep dan Aplikasi. Yogyakarta: BPFE.
Makridakis. 1993. Metode dan Aplikasi Peramalan. Jakarta: Bina Aksara.
Buffa, Elwood S dan Rakesh K Sarin. 1996. Manajemen Operasi dan Produksi
Modern. Edisi 8. Jakarta: Binarupa Aksara.


Laporan Modul 5

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Modul 5

Diunggah oleh

Hak Cipta:

Format Tersedia

KATA PENGANTAR

Pontianak, 23 Januari 2017

1.1 Latar Belakang...........................................................................................1

1.3 Pembatasan Masalah..................................................................................2

BAB II TINJAUAN PUSTAKA..............................................................................4

2.1 Definisi Peramalan.....................................................................................4

2.2 Tahapan Peramalan....................................................................................5

2.3 Fungsi Peramalan.......................................................................................5

2.4 Macam Peramalan......................................................................................6

2.5 Pola Data untuk Time Series......................................................................8

2.6 Metode Deret Waktu (Time Series)..........................................................10

2.7 Model Model Kausal............................................................................13

2.8 Pemilihan dan Evaluasi Metode-Metode Peramalan...............................13

2.9 Uji Kesalahan Peramalan (Uji Verifikasi)................................................15

2.10 Uji Validasi...............................................................................................21

BAB III PENGOLAHAN DATA DAN PEMBAHASAN.....................................24

3.1 Pengumpulan Data Historis Sebelum Konversi dan Sesudah Konversi..24

3.1.1 Pengumpulan Data Sebelum Konversi............................................24

3.1.2 Pengumpulan Data Setelah Konversi...............................................25

3.2 Pengolahan Data......................................................................................26

Program Studi Teknik Industri

3.2.1 Plotting Data....................................................................................26

3.2.2 Peramalan dengan beberapa metode................................................26

3.2.3 Rekapitulasi Nilai Error dan Verifikasi Data...................................56

3.2.4 Validasi Metode................................................................................56

3.2.5 Hasil Peramalan yang Digunakan....................................................58

4.1 Analisis Terhadap Beberapa Metode.......................................................59

4.1.1 Analisis Metode Simple Average.....................................................59

4.1.2 Analisis Metode Single Moving Average.........................................60

4.1.3 Analisis Metode Single Exponential Smoothing..............................62

4.1.4 Analisis Metode Weight Moving Average........................................63

4.1.5 Analisis Metode Double Exponential Smoothing............................64

4.1.6 Analisis Metode Linier Regresi.......................................................65

4.2 Analisis Verifikasi....................................................................................65

4.3 Analisis Metode Terpilih..........................................................................66

4.4 Analisis Validasi.......................................................................................66

Program Studi Teknik Industri

Tabel 3.1 Pengumpulan Data Sebelum Konversi...................................................24

Tabel 3.2 Pengumpulan Data Setelah Konversi.....................................................25

Tabel 3.3 Metode Simple Average..........................................................................29

Tabel 3.4 Metode Single Moving Average.............................................................34

Tabel 3.5 Metode Single Exponential Smoothing atau SES...................................39

Tabel 3.6 Metode Weight Moving Average............................................................44

Tabel 3.7 Metode Double Exponential Smooting..................................................49

Tabel 3.8 Metode Linier Regresi............................................................................54

Tabel 3.9 Rekapitulasi Nilai Error dan Verifikasi Data.........................................56

Tabel 3.10 Tabel Perhitungan Validasi Metode Terpilih........................................57

Tabel 3.11 Tabel Peramalan 12 Periode ke depan..................................................58

Program Studi Teknik Industri

Gambar 2.1 Contoh Pola Data Horizontal...............................................................9

Gambar 2.2 Contoh Pola Data Trend Naik..............................................................9

Gambar 2.3 Contoh Pola Data Musiman...............................................................10

Gambar 2.4 Contoh Pola Data Siklis.....................................................................10

Program Studi Teknik Industri

Grafik 3.1 Plotting Data Hasil Konversi................................................................26

Grafik 3.2 Permintaan dan Peramalan (Simple Average).......................................31

Grafik 3.3 Permintaan dan Peramalan Single Moving Average.............................36

Grafik 3.4 Permintaan dan Peramalan Single Exponential Smoothing..................41

Grafik 3.5 Permintaan dan Peramalan Weight Moving Average............................46

Grafik 3.6 Permintaan dan Peramalan Double Exponential Smooting..................51

Grafik 3.7 Permintaan dan Peramalan Linier Regresi...........................................56

Grafik 3.8 Grafik Plot Data Validasi Metode Terpilih...........................................58

Program Studi Teknik Industri