Modul 1 Ayumi

Laporan Praktikum Perancangan Teknik Industri
Modul 1 Forecasting
Kelompok 4
BAB I
PENDAHULUAN
1.1 Latar Belakang

Sistem produksi merupakan kumpulan dari sub-sistem yang saling berinteraksi
dengan tujuan mentransformasi input menjadi output produksi. Kegiatan produksi
dimulai ketika konsumen memesan produk hingga produk tersebut terdistribusikan
kepada konsumen. Agar produksi dilakukan secara tepat maka perlu diadakan
perencanaan. Salah satu kegiatan dalam perancanaan produksi adalah peramalan atau
forecasting. Peramalan merupakan kegiatan memprediksi penjualan dan penggunaan
produk sehingga produk dapat diproduksi dalam kuantitas yang tepat.
Peramalan merupakan aktivitas yang penting untuk merencanakan tingkat
produksi pada periode berikutnya. Hasil dari peramalan selanjutnya dapat digunakan
untuk menentukan sumber daya yang akan digunakan untuk produksi dan penjadwalan
produksi sehingga produksi dapat berlangsung efektif dan efisien. Sistem peramalan
juga dapat digunakan untuk evaluasi pilihan seperti efek dari perubahan harga. Selain
itu ketidakpastian di masa yang akan datang dapat sedikit dihindari oleh manajemen.
PT. Agawa merupakan perusahaan yang mengembangkan sektor bisnis produksi
dan penjualan produk Tamiya 4WD. Segmen pasar yang menjadi target PT. Agawa
adalah tamiya untuk remaja, koleksi, dan anak-anak. PT. Agawa melakukan
perencanaan dan pengembangan investasi dengan melihat demand produk tamiya
berdasarkan dari data historis pasar agar PT. Agawa dapat memenuhi permintaan
konsumen atas produk tamiya 4WD. Dengan melakukan aktivitas peramalan ini, maka
akan diwujudkannya hasil peramalan yang dapat menjadi dasar pertimbangan
perusahaan dalam melakukan kegiatan produksi, terutama agar produksi tidak
berlebihan dan permintaan pelanggan tetap dapat dipenuhi.
1.2 Perumusan Masalah

PT. Agawa melakukan penentuan jumlah produksi Tamiya 4WD yang akan
dipasarkan untuk periode tertentu. Perusahan PT Agawa akan melakukan serangkaian
aktivitas perancangan suatu peramalan sesuai dengan plot data yang ada dengan
Departemen Teknik Industri

Universitas Diponegoro
2017 1
Modul 1 Forecasting
Kelompok 4
segmentasi yang ditentukan perusahaan. Untuk dapat menentukan perencanaan yang

tepat maka diperlukannya perkiraan yang tepat untuk memenuhi permintaan pelanggan
kedepannya. Setelah ditentukannya plot data maka dapat dilakukan perhitungan
peramalan untuk mengetahui perkiraan di masa yang akan datang.
1.3 Tujuan Penulisan

Adapun tujuan dari praktikum yaitu :
1. Agar praktikan mampu mengetahui manfaat dan posisi forecasting dalam bidang
industri.
2. Agar praktikan mampu memahami metode metode dan teknik dalam
forecasting.
3. Agar praktikan mampu memahami berbagai macam penghitungan error dalam
forecasting.
4. Agar praktikan mampu mengimplementasikan metode dan teknik forecasting
dalam bidang industri.
1.4 Pembatasan Masalah

Masalah pada modul 1 terbatas pada peramalan permintaan PT Agawa Dimana
penelitian dilakukan dengan melihat grafik plot data dari produk perusahaan yang
terjual pada bulan April 2013 sampai Juli 2017 apakah tergolong dalam grafik konstan
atau linier dengan pembagian 3 segmen, metode peramalan seperti Simple Moving
Average (SMA), Center Moving Average (CMA), Weighted Moving Average (WMA),
Single Exponential Smoothing (SES), Double Moving Average (DMA), Double
Exponential Smoothing (DES), Single Exponential Smoothing with Trend (SEST),
Double Exponential Smoothing with Trend (DEST), dan ARIMA. Hasil peramalan
dihitung errornya menggunakan Mean Average Error, Mean Square Error, Mean
Absolute Percentage Error, UTHEIL dan NF1. Perhitungan dilakukan dengan bantuan
software eviews, minitab dan winqsb.

2017 2
Modul 1 Forecasting
Kelompok 4
1.5 Sistematika Penulisan

Berikut sistematika penulisan yang ada pada laporan ini:
BAB I PENDAHULUAN
Berisi latar belakang, tujuan praktikum, pembatasan masalah dan sistematika
penulisan laporan.
BAB II TINJAUAN PUSTAKA
Berisi teori teori atau dasar dasar metode yang digunakan.
BAB III METODOLOGI PRAKTIKUM
Berisi metodologi yang digunakan dalam penelitian sebagai dasar penulisan
laporan.
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
Berisi data yang digunakan dalam penelitian sebagai dasar penulisan laporan,
beserta pengolahannya untuk menghasilkan hasil peramalan
BAB V ANALISIS
Berisi analisis atas pengolahan data, solusi, dan hasil peramalan sebagai dasar
penjadwalan produksi
BAB IV PENUTUP
Berisi kesimpulan dan saran

2017 3
Modul 1 Forecasting
Kelompok 4
BAB II
TINJAUAN PUSTAKA
2.1 Peramalan
2.1.1 Peramalan
Peramalan atau forecasting adalah suatu dugaan terhadap permintaan yang akan
datang berdasarkan pada beberapa variable peramal, misalnya data masa lalu.
Peramalan dapat menggunakan teknik-teknik yang bersifat formal maupun informal
(Hartini, 2011). Dimana peramalan memegang peranan penting, antara lain (Hartini,
2011):
Penjadwalan sumber-sumber yang ada
Peramalan pada tingkat permintaan untuk produk, material, tenaga kerja, finansial
atau jasa adalah input penting untuk penjadwalan
Peramalan dibutuhkan untuk menentukan kebutuhan sumber-sumber di masa yang
akan datang
Menentukan sumber-sumber daya yang diinginkan
Semua organisasi atau perusahaan harus menentukan sumber apa yang mereka
inginkan untuk dimiliki pada jangka panjang
2.1.2 Macam-Macam Peramalan

Peramalan terdiri dari dua macam, yaitu kualitatif dan kuantitaif.
a. Kualitatif (Subjektif)
Peramalan kualitatif merupakan peramalan yang lebih menekankan pada keputusan
hasil diskusi, pendapat pribadi, dan intuisi yang meskipun kelihatannya kurang
ilmiah tetapi dapat memberikan hasil yang baik (Hartini, 2011). Beikut adalah
contoh peramalan kualitatif (Heizer, 2011):
Juri dari opini eksekutif, data diperoleh dengan mengambil pendapat dari
sekelompok manajer level puncak dan seringkali dikombinasikan dengan model-
model statistik untuk menghasilkan estimasi permintaan kelompok

2017 4
Modul 1 Forecasting
Kelompok 4
Metode Delphi, dalam metode ini karyawan menggunakan teknik menyebarkan

kuesioner kepada para responden dan hasil survei tersebut dijadikan sebagai
pengambilan keputusan sebelum peramalan dibuat
Gabungan Tenaga Penjualan, setiap tenaga penjualan mengestimasi jumlah
penjualan yang dapat dicapai diwilayahnya. Kemudian ramalan ini dikaji
kembali untuk memastikan apakah peramalan cukup realistir dan
dikombinasikan pada tingkat wilayah dan nasional untuk memperoleh
peramalan secara menyeluruh.
Survei Pasar Konsumen, metode ini meminta masukan dari konsumen mengenai
rencana pembelian mereka dimasa depan. Survei konsumen ini dapat dilakukan
melalui percakapan informal dengan para konsumen
b. Kuantitatif
Peramalan kuantitatif dilakukan dengan menggunakan model matematis yang
beragam dengan data masa lalu terkait dan variable sebab akibat untuk meramalkan
permintaan. Peramalan kuantitatif dibagi menjadi metode deret waktu (time series)
dan metode kausal (Heizer, 2011).
Langkah penting dalam memilih suatu deret berkala (time series) yang tepat adalah
dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat
dengan pola tersebut dapat diuji. Pola data dapat dibedakan menjadi (Makridakis,
1999) :
a. Pola Harizontal, terjadi apabila nilai data fluktuasi disekitar nilai rata-rata yang
konstan
b. Pola Musiman, terjadi apabila suatu deret dipengaruhi oleh musiman (misal
kuartal tahun tertentu)
c. Pola Siklis, terjadi apabila datanya dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti yang behubungan siklis bisnis
d. Pola Trend, terjadi apabila terdapat kenaikan atau penurunan sekuler jangka
panjang
Berikut adalah gambar plot data:

2017 5
Modul 1 Forecasting
Kelompok 4
Gambar 2.1 Plot Data
2.1.3 Tahapan dalam Peramalan

Berikut adalah tahapan dalam melakukan peramalan, antara lain (Render, 2006):
1. Menentukan penggunaan dari peramalan tersebut tujuan apakah yang ingin dicapai
2. Memilih items atau kuantitas yang akan diramalkan
3. Menentukan horison waktu dari peramalan
4. Memilih metode peramalan
5. Mengumpulkan data yang diperlukan untuk membuat ramalan
6. Menentukan metode peramalan yang tepat
7. Membuat peramalan
8. Mengimplementasikan hasil dari peramalan

2017 6
Modul 1 Forecasting
Kelompok 4
2.2 Metode-Metode Deret Waktu (Time Series)

Berikut adalah metod-metode deret waktu:
1. Moving Average
Metode ini menggunakan sejumlah data actual permintaan yang baru untuk
membangkitkan nilai ramalan untuk permintaan di masa yang akan datang. Tujuan
utama penggunakan metode ini untuk mengurangi atau menghilangkan variasi acak
permintaan dalam hubungannya dengan waktu (Hartini, 2011). Berikut adalah jenis
metode moving average (Hartini, 2011):
a. Single Moving Average

+1 = =1 ...(2.1)
b. Double Moving Average
+1 +2 +++1
= ...(2.2)

+ +
+1
" = 2 +1
...(2.3)

= ( " ) = 2 " ...(2.4)

2
= 1 " ...(2.5)
+ = + . ...(2.6)
c. Weight Moving Average
+1 = + 1 1 + 2 2 + + ...(2.7)
2. Exponential Smoothing
a. Single Exponential Smoothing
+1 = + (1 ) ...(2.8)
b. Single Exponential Smoothing with Trend
+1 = + (1 )( + )...(2.9)
+1 = (+1 ) + (1 ) ...(2.10)
c. Double Exponential Smoothing

= + (1 )1 ...(2.11)
"
" = + (1 )1 ...(2.12)
= ( " ) = 2 " ...(2.13)
2017 7
Modul 1 Forecasting
Kelompok 4

= 1 " ...(2.14)
+ = + . ...(2.15)
d. Double Exponential Smoothing with Trend
= + (1 )(1 1 )...(2.16)
+1 = (+1 ) + (1 ) ...(2.17)
+ = + . ...(2.18)
3. ARIMA (Autoregressive Integrated Moving Average)
ARIMA mewakili tiga pemodelan yaitu dari autoregressive model (AR), moving
average (MA), serta autoregressive dan moving average model (ARMA).
a. Autoregressive (AR)
= + 1 1 + 2 2 + + + ...(2.19)
b. Moving Average (MA)
= + 1 1 2 2 ...(2.20)
c. Autoregressive and Moving Average (ARMA)
= + 1 1 + 2 2 + + + 1 1 2 2 (2.21)
Keterangan:
+1 : Hasil ramalan periode + 1
: Data pada periode t
t : period ke-
: Jumlah periode yang dirata-ratakan
+ : Hasil ramalan periode t
m: selisih periode antara t dengan periode peramalan yang akan dicari
: Pergerakan pertama periode t
" : Pergerakan kedua periode t
: Parameter a periode t
: Parameter b periode t
: bobot yang diberikan untuk periode t (semua bobot dijumlahkan = 1)
: Konstanta smoothing untuk rata-rata yang bernilai dari 0 sampai 1
: Konstanta smoothing untuk tren yang bernilai dari 0 sampai 1
2017 8
Modul 1 Forecasting
Kelompok 4
: Nilai pemulusan tunggal

+1 : Tren dengan eksponensial yang dihaluskan pada periode + 1
: Nilai konstan
: Parameter autoregresif ke-n
: Nilai error pada saat ke-t
2.3 Metode-Metode Kusal

Model peramalan kausal mengasumsikan hubungan antara variable terikat dan
beberapa variabel bebas yang terkait dengan peramalan. Berikut adalah metode-metode
kausal (Maarif, 2005):
1. Regresi Sederhana
Variasi pada suatu peubah yang akan diramalkan dapat dijelaskan oleh variasi pada
suatu peubah lainnya (peubah penjelas)
2. Regresi Berganda
Variasi peubah yang akan diperkirakan dijelaskan oleh variasi dari beberapa peubah
penjelas
3. Metode Sistem Persamaan
Peramalan dilakukan dengan pendekatan sistem persamaan simultan. Interdepedensi
antar semua peubah diperhitungkan
4. Metode Multivariat
Pendekatan statistik yang memumgkinkan prediksi melalui analisis multivariat time
series
5. Ekonometrika
Suatu alat yang berupaya untuk melakukan verifikasi mengenai hubungan variabel
yang ideal berdasarkan teori dari pola yang terlihat pada data. Upaya untuk
mencapai hubungan ideal ini dikenal dengan data generating process yang
diasumsikan dapat didukung oleh data melaluiestimasi model empiris yang bersifat
stokastik
2.4 Pemilihan Metode Peramalan

2017 9
Modul 1 Forecasting
Kelompok 4
Dalam memilih metode peramalan yang akan digunakan didasarkan pada uji
verifikasi. Dimana uji verifikasi ini bertujuan untuk menghitung error dari metode yang
akan kita gunakan. Metode peramalan yang akan dipilih yakni petode peramalan yang
menghasilkan nilai error yang paling kecil (Hartini, 2011).
2.5 Metode Perhitungan Error

Metode perhitungan error atau kesalahan yang disebut juga uji verifikasi
terhadap metode peramalan digunakan untuk menentukan metode peramalan yang
terpilih dalam forecasting. Berikut ialah metode-metode perhitungan error atau
kesalahan dalam forecasting (Hartini, 2011):
1. Mean Square Error (MSE)
Perhitungannya yakni dengan menjumlahkan kuadrat semua kesalahan
peramalan di tiap periode kemudian dibagi dengan jumlah periode peramalan
tersebut. Adapun kelebihan yang dimiliki MSE yaitu menggunakan perhitungan
yang sederhana namun memiliki kelemahan tingkat akurasi yang sangat rendah
karena hasil metode MSE tidak memperhatikan hasil peramalan dapat lebih
besar atau lebih kecil dibandingkan kenyataan. Metode MSE secara matematis
dapat dinyatakan dengan:
() 2
=1
MSE = = (2.22)

Keterangan:
MSE : Mean Square Error
: Error atau Kesalahan pada Periode Tertentu
n : Periode
Xi : Data Permintaan Aktual pada Periode Tertentu
Fi : Hasil Ramalan Permintaan pada Periode Tertentu
2. Standard Deviation Error (SDE)

Menghitung kesalahan menggunakan metode standar deviasi untuk mengetahui
simpangan bakunya. Metode ini dapat dilaksanakan dengan perhitungan yang

2017 10
Modul 1 Forecasting
Kelompok 4
sederhana namun tingkat akurasinya sangat kecil karena hanya menggunakan

simpangan baku. Berikut ialah rumus SDE:
() 2
SDE = =1
= (1) (2.23)

Keterangan:
SDE : Standard Deviation Error
n : Periode
3. Mean Absolute Percentage Error (MAPE)

Metode ini dapat menunjukkan persentase kesalahan menggunakan dua langkah
cara. Kelebihan metode ini yakni dapat menunjukkan persentase kesalahan
peramalan terhadap data permintaan aktual. Persentase yang dapat menyatakan
apakah kesalahan terlampau tinggi atau rendah dapat memberikan informasi
yang lebih lengkap dan tingkat akurasi semakin tinggi. Namun ukuran kesalahan
bersifat relatif. Dua langkah cara tersebut dirumuskan dengan:
PE i
X i Fi x100%
Xi (2.24)
MAPE
PE i
n (2.25)
Keterangan:
MAPE : Mean Absolute Percentage Error
: Persentase Error atau Persentase Kesalahan pada Periode Tertentu
n : Periode

2017 11
Modul 1 Forecasting
Kelompok 4
4. U-Theil dan Batting

Metode ini menggunakan perbandingan antara pembilang dengan penyebut yang
kemudian di akar kuadrat. Perbandingan relatif ini antara metode peramalan
formal dengan pendekatan naif lalu menguadratkan kesalahan sehingga berlaku
prinsip pembobotan, yakni kesalahan yang lebih besar akan medapat bobot yang
lebih banyak dan begitupun sebaliknya. Ciri khas statistik U dari Theil ukuran
ketepatan merupakan interpretasi yang bersifat intuitif. Berikut ialah perumusan
metode ini:
2
F X i 1
Pembilang i 1 (2.26)
Xi
2
X Xi
Penyebut i 1 (2.27)
Xi
U Theil
Pembilang (2.28)
Penyebut
Keterangan:
n : Periode
5. Mean Forecast Error (MFE)

Metode ini mirip dengan MSE namun tidak perlu menguadratkan hasil
kesalahan. Metode ini dirasa sangat efektif dalam menyimpulkan apakah hasil
ramalan terlalu tinggi atau rendah selama periode tertentu. Namun, jika hasil
ramalan tak bias, nilainya mendekati angka nol.
n
Xi Fi
ei
MFE i 1
n n (2.29)

2017 12
Modul 1 Forecasting
Kelompok 4
Keterangan:
MFE : Mean Forecast Error
n : Periode
6. Mean Average Deviation (MAD)

Metode ini mirip dengan MFE, namun hasil kesalahan dimutlakkan. Kelebihan
metode ini ialah ukuran kesalahan peramalan lebih sederhana namun tingkat
akurasinya sangat kecil karena tidak membandngkan hasil peramalan dengan
kenyataan. Rumusan metode ini ialah:
n
X i Fi e i
(2.30)
MAD i 1
n n
Keterangan:
MAD : Mean Average Deviation
n : Periode
7. Cumulative Forecast Error (CFE)

Metode perhitungan kesalahan ini dengan mengakumulasi nilai kesalahan.
Perhitungan yang dilakukan sederhana karena ukuran kesalahan peramalan
hanya dengan menjumlahkan nilai kesalahan. Namun karena itu pula, akurasi
metode ini sangat kecil. CFE dapat dirumuskan dengan:
n
CFE ei
i 1 (2.31)

2017 13
Modul 1 Forecasting
Kelompok 4
2.6 Eviews
Eviews yakni singkatan dari Views Econometrics ialah sebuah perangkat lunak
(software) yang digunakan untuk analisis statistika dan ekonometrika. Selain itu,
perangkat lunak ini dapat menganalisis dan mengevaluasi data ilmiah maupun keuangan
atau biaya, melakukan regresi (regression), dan peramalan (forecasting) yang berbasis
deret waktu (time series) seperti peramalan makroekonomi dan penjualan, serta
melakukan simulasi. Namun, perangkat lunak ini kurang cocok untuk mengolah data
penelitian sosial karena berfokus pada data ekonometrik. Selain itu, Eviews tak dapat
menghasilkan output berupa distribusi frekuensi dan melakukan pengujian
nonparametrik (Singgih, 2010). Dalam modul ini, Eviews digunakan untuk meramalkan
permintaan Tamya untuk segmentasi remaja, koleksi, dan anak-anak. Berikut ialah
contoh tampilan pada perangkat lunak Eviews.
Gambar 2. 1 Tampilan Eviews
2.7 Minitab
Minitab ialah perangkat lunak (software) untuk pengolahan data dan
menyediakan bermacam-macam jenis perintah yang memungkinkan dalam hal
menganalisis data dan menyajikannya dalam bentuk yang beragam terutama dalam
analisis statistika yang bersifat kompleks. Untuk peramalan, Minitab dapat digunakan

2017 14
Modul 1 Forecasting
Kelompok 4
mulai untuk menganalisis tren atau pola data hingga meramalkan untuk beberapa
periode yang akan datang (Hadijah, 2013). Dibawah ini ialah tampilan di Minitab.
Gambar 2. 2 Tampilan Minitab
2.8 WinQSB
Perangkat lunak QSB (Quantity System for Business) atau biasa dikenal dengan
WinQSB yang dikembangkan oleh Yih Long Chang merupakan perangkat lunak yang
mengandung algoritma penyelesaian masalah pada riset operasi dan ilmu manajemen
baik manajamen bagi manajer maupun masalah bisnis secara umum. Kegunaan
WinQSB secara spesifik yakni analisis sampling, analisis keputusan, agregat pada
sistem produksi, peramalan permintaan, program dinamis, goal programming, tata letak
fasilitas, sistem penyimpanan (inventory), work scheduling, program linier dan bilangan
bulat, perencanaan kebutuhan material, rantai Markov, dan teori antrean (Sumasto,
2011). Berikut ialah tampilan pada WinQSB.

2017 15
Modul 1 Forecasting
Kelompok 4
Gambar 2. 3 Tampilan WinQSB

2017 16
Modul 1 Forecasting
Kelompok 4
BAB III
METODOLOGI PENELITIAN
3.1 Flowchart Metodologi Praktikum Forecasting

Dibawah ini ialah flowchart metodologi praktikum modul 1 forecasting:
Gambar 3. 1 Metodologi Praktikum Modul Forecasting

2017 17
Modul 1 Forecasting
Kelompok 4
3.2 Penjelasan Flowchart

PT. Agawa sedang berusaha untuk mengembangkan bisnis yang di bidang
industri mainan. Pada kesempatan kali ini PT. Agawa mulai memandang sektor bisnis
produksi dan penjualan produk mainan Tamiya 4WD. Pada jenis mainan kali ini
kemudian PT. Agawa memiliki 5 segmentasi pasar yang dapat menjadi pilihan, yaitu
perlombaan, koleksi, style, remaja dan anak-anak. Pertama kali, PT. Agawa melakukan
konversi data market demand untuk dapat melihat pola data penjualan dari April 2013
sampai Juli 2017. Selanjutnya PT. Agawa melakukan pemilihan pola data dengan
melihat demand sebelumnya PT. Agawa kemudian memilih metode berdasarkan pola
data sebelumnya, jika data memiliki pola konstan, maka PT. Agawa akan memakai
metode Simple Moving Average, Centered Moving Average, Weighted Moving
Average dan Simple Exponential Smoothing. Jika pola data yang dihasilkan berpola
linier, maka PT. Agawa akan menggunakan metode Double Moving Average, Double
Exponential Smoothing, Simple Exponential Smothing with Trend, Double Exponential
Smoothing with Trend, dan ARIMA.
Kemudian setelah metode forecasting diketahui PT. Agawa melakukan
perhitungan peramalan dengan menggunakan data demand masa lalu yang telah ada.
Perhitungan akan dilakukan dengan menggunakan beberapa software. Kemudian setelah
melakukan perhitungan untuk forecasting PT. Agawa melakukan perhitungan error dari
tiap metode peramalan. Setalah perhitungan error dilakukan PT. Agawa melakukan
pemilihan metode peramalan yang memiliki error terkecil. Setelah PT. Agawa
melakukan pemilihan metode peramalan dengan error dengan nilai terkecil maka proses
forecasting selasai.

2017 18
Modul 1 Forecasting
Kelompok 4
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Pengumpulan Data

Berikut adalah data permintaan segmentasi pasar Tamiya 4WD:
Tabel 4. 1 Data Permintaan Segmentasi Pasar Tamiya 4WD
Tahun Bulan Periode Remaja Koleksi Anak-anak Lomba Style Modifikasi
APR 1 2719 1208 3973 2133 5646 5232
MAY 2 3265 1281 4622 2427 5634 5148
JUN 3 3217 1281 4623 2524 5555 5122
JUL 4 3384 1294 4531 2402 5373 5120
2013 AUG 5 3202 1354 4496 2413 5352 5075
SEP 6 3511 1396 4622 2873 5131 5075
OCT 7 3643 1308 4448 2756 5113 5072
NOV 8 4050 1327 4497 2830 4996 5029
DEC 9 3301 1339 4520 2654 4911 5028
JAN 10 3729 1302 4586 2929 4893 5008
FEB 11 3587 1302 4598 2876 4789 5008
MAR 12 3268 1482 4698 2719 4789 4988
APR 13 3228 1484 4732 2504 4726 4988
MAY 14 3738 1484 4628 2814 4722 4978
JUN 15 3372 1514 4645 2818 4667 4978
2014
JUL 16 4012 1515 4675 2658 4661 4954
AUG 17 3849 1431 4830 2897 4655 4954
SEP 18 4055 1444 4831 2962 4655 4928
OCT 19 3870 1465 4769 2752 4643 4905
NOV 20 3763 1465 4771 2672 4624 4896
DEC 21 3280 1472 4792 2827 4621 4843
JAN 22 3879 1507 4806 2602 4517 4831
FEB 23 3584 1507 4816 2568 4469 4818
MAR 24 3382 1588 5019 2922 4394 4808
APR 25 3831 1635 5028 2450 4380 4793
2015 MAY 26 3748 1656 5040 2696 4350 4762
JUN 27 3806 1656 5044 2685 4208 4755
JUL 28 3466 1659 5046 2587 4185 4734
AUG 29 3958 1672 5054 2537 4182 4718
SEP 30 3811 1672 5127 2872 4175 4707
OCT 31 3832 1525 4901 2649 4091 4701

2017 19
Modul 1 Forecasting
Kelompok 4
Tabel 4.1 Data Permintaan Segmentasi Pasar Tamiya 4WD (Lanjutan)

Tahun Bulan Periode Remaja Koleksi Anak-anak Lomba Style Modifikasi
NOV 32 4141 1545 4906 2524 4091 4699
2015
DEC 33 3773 1545 4976 2680 4055 4681
JAN 34 3244 1556 4988 2792 3915 4677
FEB 35 3619 1562 5007 2448 3868 4677
MAR 36 4060 1740 5176 2464 3857 4656
APR 37 4057 1743 5185 2549 3846 4649
MAY 38 3977 1762 5072 2908 3669 4616
JUN 39 3453 1762 5161 2992 3669 4605
2016
JUL 40 3540 1673 5315 2629 3629 4599
AUG 41 4030 1709 5251 2515 3534 4599
SEP 42 3330 1712 5111 2904 3534 4504
OCT 43 3151 1739 5019 2762 3489 4504
NOV 44 3318 1740 4968 2493 3448 4414
DEC 45 3229 1782 4913 2779 3448 4401
JAN 46 3659 1802 4569 2776 3386 4383
FEB 47 3383 1980 4798 2370 3301 4351
MAR 48 4008 1982 5231 2569 3240 4351
2017 APR 49 3949 1986 5241 2656 3219 4349
MAY 50 3927 2011 5243 2558 3099 4269
JUN 51 3736 2025 5259 2728 3099 4269
JUL 52 3513 2059 5278 2778 3094 4076
4.2 Pengolahan Data

4.2.1 Plot Data
Data permintaan masa lalu yang digunakan sebagai data untuk peramalan terdiri
dari lima segmen pasar. Segmen pasar yang ada antara lain koleksi, style, lomba, remaja,
anak-anak, dan modifikasi. Berikut ini merupakan plot data masing-masing segmen pasar.

2017 20
Modul 1 Forecasting
Kelompok 4
a. Segmentasi Pasar Remaja

Berikut adalah plot data permintaan segmentasi pasar remaja:
Remaja
5000
4000
3000
2000
1000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Gambar 4. 1 Plot Data Permintaan Segmentasi Pasar Remaja
Dari plot data diatas, dapat terlihat bahwa pada segmentasi pasar remaja
memiliki pola konstan, karena data dari periode 1 sampai 52 berfluktuasi di
sekitar mean.
b. Segmentasi Pasar Koleksi

Berikut adalah plot data permintaan segmentasi pasar koleksi:
Koleksi
2500
2000
1500
1000
500
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Gambar 4. 2 Plot Data Permintaan Segmentasi Pasar Koleksi
Dari plot data diatas, dapat terlihat bahwa pada segmentasi pasar koleksi
memiliki pola linier dengan trend naik, karena data dari periode 1 sampai 52
meningkat dari waktu ke waktu.

2017 21
Modul 1 Forecasting
Kelompok 4
c. Segmentasi Pasar Anak-anak

Berikut adalah plot data permintaan segmentasi pasar anak-anak:
Anak-anak
6000
5000
4000
3000
2000
1000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Gambar 4. 3 Plot Data Permintaan Segmentasi Pasar Anak-Anak
Dari plot data diatas, dapat terlihat bahwa pada segmentasi pasar anak-anak
memiliki pola linier dengan trend naik, karena data dari periode 1 sampai 52
meningkat dari waktu ke waktu.
d. Segmentasi Pasar Lomba

Berikut adalah plot data permintaan segmentasi pasar lomba:
Lomba
3500
3000
2500
2000
1500
1000
500
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Gambar 4. 4 Plot Data Permintaan Segmentasi Pasar Lomba
Dari plot data diatas, dapat terlihat bahwa pada segmentasi pasar lomba
memiliki pola konstan, karena data dari periode 1 sampai 52 berfluktuasi di
sekitar mean.

2017 22
Modul 1 Forecasting
Kelompok 4
e. Segmentasi Pasar Style

Berikut adalah plot data permintaan segmentasi pasar style:
Style
6000
5000
4000
3000
2000
1000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Gambar 4. 5 Plot Data Permintaan Segmentasi Pasar Style
Dari plot data diatas, dapat terlihat bahwa pada segmentasi pasar style
memiliki pola linier dengan trend turun, karena data dari periode 1 sampai
52 menurun dari waktu ke waktu.
f. Segmentasi Pasar Modifikasi

Berikut adalah plot data permintaan segmentasi pasar stle modifikasi:
Modifikasi
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 111315171921232527293133353739414345474951
Gambar 4. 6 Plot Data Permintaan Segmentasi Pasar Modifikasi
Dari plot data diatas, dapat terlihat bahwa pada segmentasi pasar modifikasi memiliki
pola linier dengan trend turun, karena data dari periode 1 sampai 52 menurun dari waktu
ke waktu.

2017 23
Modul 1 Forecasting
Kelompok 4
4.2.2 Pemilihan Demand

Dalam bisnis Tamiya 4WD terdapat enam segmentasi pasar yang dapat menjadi
pilihan, yaitu lomba, koleksi, style, remaja, anak-anak dan modifikasi. Segmentasi pasar
yang dipilih oleh PT AGAWA adalah lomba, anak-anak, dan remaja. Berikut ini
merupakan alasan pemilihan segmentasi tersebut:
a. Segmentasi Lomba
Segmentasi ini dipilih karena berdasarkan pola data permintaan masa lalu,
diketahui bahwa permintaan yang terjadi cenderung konstan dari periode
satu ke periode lainnya. Hal tersebut memudahkan perusahaan untuk
meramalkan banyaknya Tamiya 4WD yang akan diproduksi sehingga dapat
memenuhi permintaan pelanggan pada saat dibutuhkan dan mengurangi
biaya simpan dari sisa hasil produksi. Dengan data permintaan yang konstan,
posisi perusahaan menjadi lebih stabil.
b. Segmentasi Anak-anak
Segmentasi ini dipilih karena berdasarkan pola data masa lalu, diketahui
bahwa permintaan Tamiya 4WD cenderung meningkat tiap periodenya.
Kenaikan permintaan juga memiliki pola yang berulang. Hal tersebut
merupakan suatu informasi yang penting untuk membantu proses peramalan
banyaknya produksi Tamiya 4WD. Selain itu, dapat meningkatkan
pendapatan perusahaan karena permintaan yang terus meningkat di tiap
periodenya.
c. Segmentasi Remaja
Segmentasi ini dipilih karena berdasarkan pola data masa lalu, diketahui
bahwa permintaan Tamiya 4WD cenderung stabil tiap periodenya. Kenaikan
permintaan dapat dikatakan konstan karena tidak ada peningkatan yang
sangat signifikan dari satu periode ke periode selanjutnya. Hal tersebut
memudahkan perusahaan untuk meramalkan produksi Tamiya 4WD untuk
periode-periode mendatang.

2017 24
Modul 1 Forecasting
Kelompok 4
Pada segmentasi pasar lomba dan remaja memiliki pola yang sama, yaitu pola
data konstan. Sehingga, pada segmentasi tersebut dapat dilakukan agregasi. Berikut
merupakan tabel agregat pada segmentasi pasar lomba dan remaja.
Tabel 4. 2 Konversi Data Linear
Periode Remaja Lomba Agregat
1 2719 2133 4852
2 3265 2427 5692
3 3217 2524 5741
4 3384 2402 5786
5 3202 2413 5615
6 3511 2873 6384
7 3643 2756 6399
8 4050 2830 6880
9 3301 2654 5955
10 3729 2929 6658
11 3587 2876 6463
12 3268 2719 5987
13 3228 2504 5732
14 3738 2814 6552
15 3372 2818 6190
16 4012 2658 6670
17 3849 2897 6746
18 4055 2962 7017
19 3870 2752 6622
20 3763 2672 6435
21 3280 2827 6107
22 3879 2602 6481
23 3584 2568 6152
24 3382 2922 6304
25 3831 2450 6281
26 3748 2696 6444
27 3806 2685 6491
28 3466 2587 6053
29 3958 2537 6495
30 3811 2872 6683
31 3832 2649 6481
32 4141 2524 6665
33 3773 2680 6453

2017 25
Modul 1 Forecasting
Kelompok 4
Tabel 4.2 Konversi Data Linear (Lanjutan)
Periode Remaja Lomba Agregat

34 3244 2792 6036
35 3619 2448 6067
36 4060 2464 6524
37 4057 2549 6606
38 3977 2908 6885
39 3453 2992 6445
40 3540 2629 6169
41 4030 2515 6545
42 3330 2904 6234
43 3151 2762 5913
44 3318 2493 5811
45 3229 2779 6008
46 3659 2776 6435
47 3383 2370 5753
48 4008 2569 6577
49 3949 2656 6605
50 3927 2558 6485
51 3736 2728 6464
52 3513 2778 6291
Total 188437 138882 327319
Berikut ini merupakan pembobotan untuk kedua data segmentasi pasar tersebut.
a. Segmentasi Pasar Lomba
188437
= 100% = 100% = 57.6%
327319
b. Segmentasi Pasar Remaja
138882
= 100% = 100% = 42.4%
327319

2017 26
Modul 1 Forecasting
Kelompok 4
Berikut ini merupakan grafik hasil konversi data agregat.

Agregat
8000
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 111315171921232527293133353739414345474951
Gambar 4. 7 Plot Data Permintaan Segmentasi Pasar Agregat
4.2.3 Peramalan
4.2.3.1 Pemilihan Metode Peramalan dan Error
Dalam melakukan peramalan permintaan dari Tamiya 4WD, PT. AGAWA
melakukan pemilihan metode dengan memperhatikan pola data dari segmentasi pasar
yang ada. Dari ketiga segmentasi pasar yang ada, terdapat dua pola data, yaitu pola
konstan dan linear. Berikut ini merupakan pemilihan metode untuk masing-masing pola
data.
a. Pola Data Konstan
Metode peramalan yang digunakan antara lain Metode Time Series berupa
Moving Average dan Exponential Smoothing. Untuk metode moving average
digunakan metode Single Moving Average (SMA) dengan pergerakan 3
periode, Centered Moving Average (CMA) dengan pergerakan 3 periode dan
5 periode, dan Weighted Moving Average (WMA) dengan pergerakan 2
periode. Sedangkan untuk metode Exponential Smoothing digunakan metode
Single Exponential Smoothing.
b. Pola Data Linier

Metode peramalan yang digunakan antara lain Metode Box-Jenkins
(ARIMA), metode time series berupa Double Moving Average (DMA)
dengan pergerakan 3 periode, metode exponential smoothing berupa Double
2017 27
Modul 1 Forecasting
Kelompok 4
Exponential Smoothing (DEST), Single Exponential Smoothing with Trend

(SEST) Double Exponential Smoothing with Trend (DEST).
Setelah dilakukan perhitungan peramalan, dilakukan perhitungan error untuk
memverifikasi peramalan. Verifikasi dengan memilih metode dengan nilai error
terkecil. Perhitungan error dilakukan dengan metode Mean Absolute Percentage Error
(MAPE), Mean Percentage Error (MPE), Mean Absolute Deviation (MAD), Mean
Squared Error (MSE), dan U-Theil.
4.2.3.2 Data Pola Konstan

Metode Moving Average
a. Single Moving Average (3 SMA)
Manual
Perhitungan pada metode 3 SMA:

- Peramalan: +1 = =1
4852+5692+5741
F4 = = 5428.3 5428
3
- Error: =
e4 = 5786 5428 = 357.67 358
- Error2: 2
(et)2 = 357.672 = 127925.4444
- |Error|: | |
| | = |357.67| = 357.67

- PE: = 100

57685428,3
PE4: = 100 = 6.181587741
5768
- Absolut PE: |PEt|

|PE4| = |6.181587741| = 6.181587741
+1 +1 2
- Pembilang: = [ ]

+1 +1 2 57405615 2
Pembilang = [ ] =[ ] = 0.000464241
5786

2017 28
Modul 1 Forecasting
Kelompok 4
+1 2
- Penyebut: = [ ]

56155786 2
Penyebut = [ ] = 0.000873445
5786
1
- Galat: =
56924852
Galat = | = 0.147575545
5692
- |galat| = 0.147575545
Berikut ini merupakan hasil perhitungan manual peramalan dan error
dengan metode 3 SMA:
Tabel 4. 3 Perhitungan Peramalan Manual 3 SMA
t X (t) F (t) Error Error ^2 |Error| PE |PE| Pembilang Penyebut Galat |Galat|
1 4852
2 5692 0.147575545 0.147575545
3 5741 0.008535098 0.008535098
4 5786 5428 358 127925.4444 357.6666667 6.181587741 6.181587741 0.000464241 0.000873445 0.007777394 0.007777394
5 5615 5740 -125 15541.77778 124.6666667 -2.220243396 2.220243396 0.014238036 0.018756559 -0.030454141 0.030454141
6 6384 5714 670 448900 670 10.49498747 10.49498747 0.00543552 5.52073E-06 0.120457393 0.120457393
7 6399 5928 471 221527.1111 470.6666667 7.355315935 7.355315935 0.01363969 0.005650227 0.002344116 0.002344116
8 6880 6133 747 558507.1111 747.3333333 10.8624031 10.8624031 0.007588571 0.018076177 0.069912791 0.069912791
9 5955 6554 -599 359200.4444 599.3333333 -10.06437168 10.06437168 0.001715763 0.013936288 -0.155331654 0.155331654
10 6658 6411 247 60844.44444 246.6666667 3.704816261 3.704816261 2.71104E-05 0.000857791 0.105587263 0.105587263
11 6463 6498 -35 1201.777778 34.66666667 -0.536386611 0.536386611 0.003307036 0.005424324 -0.030171747 0.030171747
12 5987 6359 -372 138136.1111 371.6666667 -6.207894883 6.207894883 0.011332214 0.001814103 -0.079505595 0.079505595
13 5732 6369 -637 406193.7778 637.3333333 -11.11886485 11.11886485 0.007347508 0.020465169 -0.04448709 0.04448709
14 6552 6061 491 241408.4444 491.3333333 7.498982499 7.498982499 0.000231394 0.003052596 0.125152625 0.125152625
15 6190 6090 100 9933.444444 99.66666667 1.610123856 1.610123856 0.006841615 0.006013138 -0.058481422 0.058481422
16 6670 6158 512 262144 512 7.676161919 7.676161919 0.001703986 0.00012983 0.071964018 0.071964018
17 6746 6471 275 75808.44444 275.3333333 4.081430971 4.081430971 0.005098008 0.001613786 0.011265935 0.011265935
18 7017 6535 482 232002.7778 481.6666667 6.864281982 6.864281982 0.000725472 0.003168774 0.038620493 0.038620493
19 6622 6811 -189 35721 189 -2.854122622 2.854122622 0.002955471 0.000797453 -0.059649653 0.059649653
20 6435 6795 -360 129600 360 -5.594405594 5.594405594 0.008245637 0.002598068 -0.029059829 0.029059829
21 6107 6691 -584 341445.4444 584.3333333 -9.568255008 9.568255008 0.000231905 0.003750484 -0.053708859 0.053708859
22 6481 6388 93 8649 93 1.43496374 1.43496374 0.000850432 0.00257696 0.057707144 0.057707144
23 6152 6341 -189 35721 189 -3.072171651 3.072171651 8.68524E-05 0.000610456 -0.053478544 0.053478544
24 6304 6247 57 3287.111111 57.33333333 0.909475465 0.909475465 2.47048E-05 1.33114E-05 0.024111675 0.024111675
25 6281 6312 -31 981.7777778 31.33333333 -0.498858993 0.498858993 0.000997089 0.000673469 -0.003661837 0.003661837
26 6444 6246 198 39336.11111 198.3333333 3.077798469 3.077798469 0.000527488 5.31967E-05 0.025294848 0.025294848
27 6491 6343 148 21904 148 2.280080111 2.280080111 0.002946349 0.004553287 0.007240795 0.007240795
28 6053 6405 -352 124138.7778 352.3333333 -5.82080511 5.82080511 0.000749081 0.00533216 -0.072360813 0.072360813
29 6495 6329 166 27445.44444 165.6666667 2.55068001 2.55068001 0.002686841 0.000837833 0.068052348 0.068052348
30 6683 6346 337 113344.4444 336.6666667 5.037657739 5.037657739 0.000111811 0.000913608 0.028131079 0.028131079
31 6481 6410 71 4993.777778 70.66666667 1.090366713 1.090366713 0.000298643 0.000806031 -0.03116803 0.03116803
32 6665 6553 112 12544 112 1.680420105 1.680420105 0.000552526 0.001011746 0.027606902 0.027606902
33 6453 6610 -157 24544.44444 156.6666667 -2.427811354 2.427811354 0.00593184 0.004175887 -0.032852937 0.032852937
34 6036 6533 -497 247009 497 -8.233929755 8.233929755 0.002769777 2.6377E-05 -0.069085487 0.069085487
35 6067 6385 -318 100912.1111 317.6666667 -5.235976045 5.235976045 0.003115996 0.005673936 0.005109609 0.005109609
36 6524 6185 339 114695.1111 338.6666667 5.191089311 5.191089311 0.003702995 0.000157979 0.07004905 0.07004905
37 6606 6209 397 157609 397 6.009688162 6.009688162 0.005412469 0.001783739 0.012412958 0.012412958
38 6885 6399 486 236196 486 7.058823529 7.058823529 0.001083846 0.00408411 0.040522876 0.040522876

2017 29
Modul 1 Forecasting
Kelompok 4
Tabel 4.3 Perhitungan Peramalan Manual 3 SMA (Lanjutan)

39 6445 6672 -227 51377.77778 226.6666667 -3.516938195 3.516938195 0.005462307 0.001833886 -0.068269977 0.068269977
40 6169 6645 -476 226893.4444 476.3333333 -7.721402712 7.721402712 5.40015E-05 0.003714892 -0.044739828 0.044739828
41 6545 6500 45 2055.111111 45.33333333 0.692640693 0.692640693 0.000541715 0.002257883 0.057448434 0.057448434
42 6234 6386 -152 23205.44444 152.3333333 -2.443588921 2.443588921 0.00417904 0.002651407 -0.049887713 0.049887713
43 5913 6316 -403 162409 403 -6.81549129 6.81549129 0.005037246 0.000297567 -0.054287164 0.054287164
44 5811 6231 -420 176120.1111 419.6666667 -7.22193541 7.22193541 1.43332E-05 0.001149293 -0.017552917 0.017552917
45 6008 5986 22 484 22 0.366178429 0.366178429 0.007616494 0.005051216 0.032789614 0.032789614
46 6435 5911 524 274925.4444 524.3333333 8.148148148 8.148148148 0.00265648 0.011232376 0.066355866 0.066355866
47 5753 6085 -332 110002.7778 331.6666667 -5.76510806 5.76510806 0.007910164 0.020514724 -0.118546845 0.118546845
48 6577 6065 512 261802.7778 511.6666667 7.779636106 7.779636106 0.002831916 1.81243E-05 0.125285084 0.125285084
49 6605 6255 350 122500 350 5.299015897 5.299015897 0.000688682 0.000330078 0.004239213 0.004239213
50 6485 6312 173 30044.44444 173.3333333 2.672834747 2.672834747 0.000199803 1.04862E-05 -0.018504241 0.018504241
51 6464 6556 -92 8402.777778 91.66666667 -1.418110561 1.418110561 0.001233244 0.000716291 -0.003248762 0.003248762
52 6291 6518 -227 51529 227 -3.608329359 3.608329359 -0.027499603 0.027499603
53 6413
54 6413
55 6413
56 6413
57 6413
58 6413
327319 3E+05 1609 6441104.778 15155.66667 15.64458705 239.5745912 0.161403343 0.190046043 0.155555482 2.567544852
Perhitungan error pada metode 3 SMA:

|| 15155.66667
= = = 309.2993167
49
= 2 = 6441104.778
|| 239.5745912
= = = 4.889277371
49
+1+1 2
1
=1 ( )
= 1

+1 2 = 0.921566856
=1 ( )

| +1 | 2.567544852
+1
1 = 100% = 100% = 5.03440167
51
Berikut adalah tabel rekap perhitungan error metode 3 SMA:

Tabel 4. 4 Rekap Perhitungan Error Metode 3 SMA
MAD 309.2993167
SSE 6441104.778
MAPE 4.889277371
Utheil 0.9215668856
NF1 5.03440167

2017 30
Modul 1 Forecasting
Kelompok 4
Software
Berikut ini merupakan hasil perhitungan software Minitab peramalan
dengan metode 3 SMA:
Tabel 4. 5 Perhitungan Peramalan 3 SMA Minitab
Periode Xt AVER1 FITS1 RESI1 FORE1
1 4852 * * * 6413.33
2 5692 * * * 6413.33
3 5741 5428.33 * * 6413.33
4 5786 5739.67 5428.33 357.667 6413.33
5 5615 5714 5739.67 -124.667 6413.33
6 6384 5928.33 5714 670 6413.33
7 6399 6132.67 5928.33 470.667
8 6880 6554.33 6132.67 747.333
9 5955 6411.33 6554.33 -599.333
10 6658 6497.67 6411.33 246.667
11 6463 6358.67 6497.67 -34.667
12 5987 6369.33 6358.67 -371.667
13 5732 6060.67 6369.33 -637.333
14 6552 6090.33 6060.67 491.333
15 6190 6158 6090.33 99.667
16 6670 6470.67 6158 512
17 6746 6535.33 6470.67 275.333
18 7017 6811 6535.33 481.667
19 6622 6795 6811 -189
20 6435 6691.33 6795 -360
21 6107 6388 6691.33 -584.333
22 6481 6341 6388 93
23 6152 6246.67 6341 -189
24 6304 6312.33 6246.67 57.333
25 6281 6245.67 6312.33 -31.333
26 6444 6343 6245.67 198.333
27 6491 6405.33 6343 148
28 6053 6329.33 6405.33 -352.333
29 6495 6346.33 6329.33 165.667
30 6683 6410.33 6346.33 336.667
31 6481 6553 6410.33 70.667
32 6665 6609.67 6553 112
33 6453 6533 6609.67 -156.667
34 6036 6384.67 6533 -497
35 6067 6185.33 6384.67 -317.667
36 6524 6209 6185.33 338.667

2017 31
Modul 1 Forecasting
Kelompok 4
Tabel 4.5 Perhitungan Peramalan 3 SMA Minitab

37 6606 6399 6209 397
38 6885 6671.67 6399 486
39 6445 6645.33 6671.67 -226.667
40 6169 6499.67 6645.33 -476.333
41 6545 6386.33 6499.67 45.333
42 6234 6316 6386.33 -152.333
43 5913 6230.67 6316 -403
44 5811 5986 6230.67 -419.667
45 6008 5910.67 5986 22
46 6435 6084.67 5910.67 524.333
47 5753 6065.33 6084.67 -331.667
48 6577 6255 6065.33 511.667
49 6605 6311.67 6255 350
50 6485 6555.67 6311.67 173.333
51 6464 6518 6555.67 -91.667
52 6291 6413.33 6518 -227
Grafik Peramalan
Berikut ini adalah grafik dari peramalan menggunakan metode 3
SMA dengan excel:
Simple Moving Average

8000
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53
X (t) F (t)
Gambar 4. 8 Grafik Peramalan 3 SMA Excel

SMA dengan Minitab:

2017 32
Modul 1 Forecasting
Kelompok 4
Gambar 4. 9 Grafik Peramalan 3 SMA Minitab
b. Centered Movingg Average (3 CMA)

Manual
Perhitungan pada metode 3 CMA:

4852+5692+5741
F2 = = 5428.3 5428
3
- Error: =
e2 = 5428 5692 = 264
- Error2: 2
(et)2 = 2642 = 69696
- |Error|: | |
| | = |264| = 264

- PE: = 100

54285692
PE2: = 100 = 4.638088545
5428
- Absolut PE: |PEt|

|PE4| = |4.638088545| = 4.638088545

2017 33
Modul 1 Forecasting
Kelompok 4
+1 +1 2
- Pembilang: = [ ]

57405741 2
Pembilang = [ ] = 3.0865 05
5692
+1 2
- Penyebut: = [ ]

57415692 2
Penyebut = [ ] = 7.4108 08
5692
1
- Galat: =
56924852
Galat = = 0.147575545
5692
- |galat| = 0.147575545
dengan metode 3 CMA:
Tabel 4. 6 Perhitungan Peramalan Manual 3 CMA
Error
t X (t) F (t) Error |Error| PE |PE| Pembilang Penyebut Galat |Galat|
^2
1 4852
2 5692 5428 264 69696 264 4.638088545 4.63808855 3.08653E-08 7.4108E-05 0.147575545 0.147575545
3 5741 5740 1 1 1 0.017418568 0.01741857 0.000157286 6.144E-05 0.008535098 0.008535098
4 5786 5714 72 5184 72 1.244382993 1.24438299 0.002926387 0.00087344 0.007777394 0.007777394

- -
5 5928 -313 97969 313 5.57435441 0.001998241 0.01875656 0.030454141
5615 5.574354408 0.030454141
6 6384 6133 251 63001 251 3.931704261 3.93170426 0.000589492 5.5207E-06 0.120457393 0.120457393
-
7 6554 -155 24025 155 2.42225348 0.00537182 0.00565023 0.002344116 0.002344116
6399 2.422253477
8 6880 6411 469 219961 469 6.816860465 6.81686047 0.006229064 0.01807618 0.069912791 0.069912791
- -
9 6498 -543 294849 543 9.11838791 0.002521035 0.01393629 0.155331654
5955 9.118387909 0.155331654
10 6658 6359 299 89401 299 4.49083809 4.49083809 0.000199328 0.00085779 0.105587263 0.105587263
-
11 6369 94 8836 94 1.454432926 1.45443293 0.000131098 0.00542432 0.030171747
6463 0.030171747
- -
12 6061 -74 5476 74 1.23601136 0.003575589 0.0018141 0.079505595
5987 1.236011358 0.079505595
-
13 6090 -358 128164 358 6.24563852 0.004724764 0.02046517 -0.04448709 0.04448709
5732 6.245638521
14 6552 6158 394 155236 394 6.013431013 6.01343101 0.001839352 0.0030526 0.125152625 0.125152625
- -
15 6471 -281 78961 281 4.53957997 0.000475649 0.00601314 0.058481422
6190 4.539579968 0.058481422
16 6670 6535 135 18225 135 2.023988006 2.02398801 9.49675E-05 0.00012983 0.071964018 0.071964018
-
17 6811 -65 4225 65 0.96353395 0.001082962 0.00161379 0.011265935 0.011265935
6746 0.963533946
18 7017 6795 222 49284 222 3.16374519 3.16374519 9.6693E-05 0.00316877 0.038620493 0.038620493
- -
19 6691 -69 4761 69 1.04198127 5.03753E-05 0.00079745 0.059649653
6622 1.041981275 0.059649653
-
20 6388 47 2209 47 0.73038073 0.73038073 0.001322314 0.00259807 0.029059829
6435 0.029059829
- -
21 6341 -234 54756 234 3.83166858 0.001468168 0.00375048 0.053708859
6107 3.831668577 0.053708859

2017 34
Modul 1 Forecasting
Kelompok 4
Tabel 4.6 Perhitungan Peramalan Manual 3 CMA (Lanjutan)

Error
t F (t) Error |Error| PE |PE| Pembilang Penyebut Galat |Galat|
X (t) ^2
22 6481 6247 234 54756 234 3.610553927 3.61055393 0.000609475 0.00257696 0.057707144 0.057707144
- -
23 6312 -160 25600 160 2.60078023 8.88839E-05 0.00061046 0.053478544
6152 2.600780234 0.053478544
24 6304 6246 58 3364 58 0.920050761 0.92005076 9.67277E-05 1.3311E-05 0.024111675 0.024111675
- -
25 6343 -62 3844 62 0.98710396 3.85542E-05 0.00067347 0.003661837
6281 0.987103964 0.003661837
26 6444 6405 39 1521 39 0.605214153 0.60521415 0.000632003 5.3197E-05 0.025294848 0.025294848
27 6491 6329 162 26244 162 2.495763365 2.49576336 0.002037568 0.00455329 0.007240795 0.007240795
- -
28 6346 -293 85849 293 4.84057492 0.000197195 0.00533216 0.072360813
6053 4.840574922 0.072360813
29 6495 6410 85 7225 85 1.308698999 1.308699 0.000400616 0.00083783 0.068052348 0.068052348
30 6683 6553 130 16900 130 1.945234176 1.94523418 0.000372595 0.00091361 0.028131079 0.028131079
-
31 6610 -129 16641 129 1.99043358 0.000414824 0.00080603 -0.03116803 0.03116803
6481 1.990433575
32 6665 6533 132 17424 132 1.980495124 1.98049512 0.000104092 0.00101175 0.027606902 0.027606902
-
33 6385 68 4624 68 1.053773439 1.05377344 0.00053315 0.00417589 0.032852937
6453 0.032852937
-
34 6185 -149 22201 149 -2.4685222 2.4685222 0.00055345 2.6377E-05 0.069085487
6036 0.069085487
35 6067 6209 -142 20164 142 -2.34053074 2.34053074 0.000424494 0.00567394 0.005109609 0.005109609
36 6524 6399 125 15625 125 1.916002452 1.91600245 0.000102343 0.00015798 0.07004905 0.07004905
-
37 6672 -66 4356 66 0.99909173 0.001319913 0.00178374 0.012412958 0.012412958
6606 0.999091735
38 6885 6645 240 57600 240 3.48583878 3.48583878 6.38142E-05 0.00408411 0.040522876 0.040522876
- -
39 6500 -55 3025 55 0.85337471 0.001133636 0.00183389 0.068269977
6445 0.853374709 0.068269977
-
40 6386 -217 47089 217 -3.51758794 3.51758794 0.001377975 0.00371489 0.044739828
6169 0.044739828
41 6545 6316 229 52441 229 3.498854087 3.49885409 2.10099E-07 0.00225788 0.057448434 0.057448434
-
42 6231 3 9 3 0.048123195 0.0481232 0.000137124 0.00265141 0.049887713
6234 0.049887713
- -
43 5986 -73 5329 73 1.2345679 0.000286012 0.00029757 0.054287164
5913 1.234567901 0.054287164
- -
44 5911 -100 10000 100 1.7208742 0.000175582 0.00114929 0.017552917
5811 1.720874204 0.017552917
-
45 6085 -77 5929 77 1.2816245 0.003792657 0.00505122 0.032789614 0.032789614
6008 1.281624501
46 6435 6065 370 136900 370 5.74980575 5.74980575 0.006085697 0.01123238 0.066355866 0.066355866
- -
47 6255 -502 252004 502 8.72588215 0.002121793 0.02051472 0.118546845
5753 8.725882148 0.118546845
48 6577 6312 265 70225 265 4.029192641 4.02919264 5.55056E-05 1.8124E-05 0.125285084 0.125285084
49 6605 6556 49 2401 49 0.741862226 0.74186223 2.49622E-05 0.00033008 0.004239213 0.004239213

- -
50 6518 -33 1089 33 0.50886662 6.18472E-05 1.0486E-05 0.018504241
6485 0.508866615 0.018504241
-
51 6413 51 2601 51 0.788985149 0.78898515 0.000356219 0.00071629 0.003248762
6464 0.003248762
- -
52 6413 -122 14884 122 1.93927833 0.027499603
6291 1.939278334 0.027499603
53 6413
54 6413
55 6413
56 6413
57 6413
58 6413
-
327319 3E+05 216 2362084 8760 2.278784149 139.686222 0.05845353 0.19018159 0.155555482 2.567544852

2017 35
Modul 1 Forecasting
Kelompok 4
Perhitungan error pada metode 3 CMA:

|| 8760
= = = 171.7647059
52
= 2 = 2362084
|| 139.686222
= = = 2.738945533
51
+1+1 2
1
=1 ( )
= 1

+1 2 = 0.554397348
=1 ( )

| +1 | 2.567544852
+1
1 = 100% = 100 = 5.03440167
51
Berikut adalah tabel rekap perhitungan error metode 3 CMA:

Tabel 4. 7 Rekap Perhitungan Error Metode 3 CMA
MAD 171.7647059
SSE 2362084
MAPE 2.738945533
Utheil 0.554397348
NF1 5.03440167
Software
Berikut ini merupakan hasil perhitungan software Minitab peramalan dengan
metode 3 CMA:
Tabel 4. 8 Perhitungan Peramalan 3 CMA Minitab

1 4852 6413.3333
2 5692 5428.3333 6413.3333
3 5741 5739.6667 5428.3333 312.66667 6413.3333
4 5786 5714 5739.6667 46.333333 6413.3333
5 5615 5928.3333 5714 -99 6413.3333
6 6384 6132.6667 5928.3333 455.66667 6413.3333
7 6399 6554.3333 6132.6667 266.33333
8 6880 6411.3333 6554.3333 325.66667
9 5955 6497.6667 6411.3333 -456.33333
10 6658 6358.6667 6497.6667 160.33333
11 6463 6369.3333 6358.6667 104.33333

2017 36
Modul 1 Forecasting
Kelompok 4
Tabel 4.8 Perhitungan Peramalan 3 CMA Minitab (Lanjutan)

12 5987 6060.6667 6369.3333 -382.33333
13 5732 6090.3333 6060.6667 -328.66667
14 6552 6158 6090.3333 461.66667
15 6190 6470.6667 6158 32
16 6670 6535.3333 6470.6667 199.33333
17 6746 6811 6535.3333 210.66667
18 7017 6795 6811 206
19 6622 6691.3333 6795 -173
20 6435 6388 6691.3333 -256.33333
21 6107 6341 6388 -281
22 6481 6246.6667 6341 140
23 6152 6312.3333 6246.6667 -94.666667
24 6304 6245.6667 6312.3333 -8.3333333
25 6281 6343 6245.6667 35.333333
26 6444 6405.3333 6343 101
27 6491 6329.3333 6405.3333 85.666667
28 6053 6346.3333 6329.3333 -276.33333
29 6495 6410.3333 6346.3333 148.66667
30 6683 6553 6410.3333 272.66667
31 6481 6609.6667 6553 -72
32 6665 6533 6609.6667 55.333333
33 6453 6384.6667 6533 -80
34 6036 6185.3333 6384.6667 -348.66667
35 6067 6209 6185.3333 -118.33333
36 6524 6399 6209 315
37 6606 6671.6667 6399 207
38 6885 6645.3333 6671.6667 213.33333
39 6445 6499.6667 6645.3333 -200.33333
40 6169 6386.3333 6499.6667 -330.66667
41 6545 6316 6386.3333 158.66667
42 6234 6230.6667 6316 -82
43 5913 5986 6230.6667 -317.66667
44 5811 5910.6667 5986 -175
45 6008 6084.6667 5910.6667 97.333333
46 6435 6065.3333 6084.6667 350.33333

2017 37
Modul 1 Forecasting
Kelompok 4

47 5753 6255 6065.3333 -312.33333
48 6577 6311.6667 6255 322
49 6605 6555.6667 6311.6667 293.33333
50 6485 6518 6555.6667 -70.666667
51 6464 6413.3333 6518 -54
52 6291 6413.3333 -122.33333
Grafik Peramalan
Berikut ini adalah grafik dari peramalan menggunakan metode 3 CMA
dengan excel:
3 Centered Moving Average

8000
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53
X (t) F (t)
Gambar 4. 10 Grafik Peramalan 3 CMA Excel

dengan Minitab:

2017 38
Modul 1 Forecasting
Kelompok 4
Gambar 4. 11 Grafik Peramalan 3 CMA Minitab
c. 5 Centered Moving Average (5 CMA)

Manual
Perhitungan pada metode 5 CMA:

4852+5692+5741+5786+5615
F3 = = 5537
5
- Error: =
e3 = 5741 5537 = 204
- Error2: 2
(et)2 = 2042 = 41616
- |Error|: | |
| | = |204| = 204

- PE: = 100

57415537
PE3: = 100 = 3.556687912
5741
- Absolut PE: |PEt|

|PE4| = |3.556687912| = 3.556687912

2017 39
Modul 1 Forecasting
Kelompok 4
+1 +1 2
- Pembilang: = [ ]

578445786 2
Pembilang = [ ] = 0.000102066
5741
+1 2
- Penyebut: = [ ]

57865741 2
Penyebut = [ ] = 6.14398 05
5741
1
- Galat: =
56924852
Galat = = 0.147575545
5692
- |galat| = 0.147575545
dengan metode 5 CMA:
Tabel 4. 9 Perhitungan Peramalan Manual 5 CMA
1 4852
2 5692 0.147575545 0.147575545
3 5741 5537 204 41616 204 3.553387912 3.553387912 0.000102066 6.14398E-05 0.008535098 0.008535098
4 5786 5844 -58 3364 58 -1.002419634 1.002419634 0.004089278 0.000873445 0.007777394 0.007777394
5 5615 5985 -370 136900 370 -6.589492431 6.589492431 0.000927455 0.018756559 -0.030454141 0.030454141
6 6384 6213 171 29241 171 2.678571429 2.678571429 0.000566893 5.52073E-06 0.120457393 0.120457393
7 6399 6247 152 23104 152 2.375371152 2.375371152 0.004411168 0.005650227 0.002344116 0.002344116
8 6880 6455 425 180625 425 6.177325581 6.177325581 0.005625 0.018076177 0.069912791 0.069912791
9 5955 6471 -516 266256 516 -8.664987406 8.664987406 0.002040521 0.013936288 -0.155331654 0.155331654
10 6658 6389 269 72361 269 4.040252328 4.040252328 0.002084777 0.000857791 0.105587263 0.105587263
11 6463 6159 304 92416 304 4.703697973 4.703697973 0.002027298 0.005424324 -0.030171747 0.030171747
12 5987 6278 -291 84681 291 -4.860531151 4.860531151 0.005725032 0.001814103 -0.079505595 0.079505595
13 5732 6185 -453 205209 453 -7.903000698 7.903000698 0.003234617 0.020465169 -0.04448709 0.04448709
14 6552 6226 326 106276 326 4.975579976 4.975579976 0.000823319 0.003052596 0.125152625 0.125152625
15 6190 6378 -188 35344 188 -3.037156704 3.037156704 3.19709E-05 0.006013138 -0.058481422 0.058481422
16 6670 6635 35 1225 35 0.524737631 0.524737631 0.000211491 0.00012983 0.071964018 0.071964018
17 6746 6649 97 9409 97 1.437889119 1.437889119 0.002236087 0.001613786 0.011265935 0.011265935
18 7017 6698 319 101761 319 4.546102323 4.546102323 2.78036E-05 0.003168774 0.038620493 0.038620493
19 6622 6585 37 1369 37 0.558743582 0.558743582 0.000214568 0.000797453 -0.059649653 0.059649653
20 6435 6532 -97 9409 97 -1.507381507 1.507381507 0.001533571 0.002598068 -0.029059829 0.029059829
21 6107 6359 -252 63504 252 -4.126412314 4.126412314 0.000917672 0.003750484 -0.053708859 0.053708859
22 6481 6296 185 34225 185 2.854497763 2.854497763 0.000303999 0.00257696 0.057707144 0.057707144
23 6152 6265 -113 12769 113 -1.83680104 1.83680104 2.07149E-05 0.000610456 -0.053478544 0.053478544

2017 40
Modul 1 Forecasting
Kelompok 4
Tabel 4.9 Perhitungan Peramalan Manual 5 CMA (Lanjutan)

24 6304 6332 -28 784 28 -0.444162437 0.444162437 7.06837E-05 1.33114E-05 0.024111675 0.024111675
25 6281 6334 -53 2809 53 -0.843814679 0.843814679 0.000421815 0.000673469 -0.003661837 0.003661837
26 6444 6315 129 16641 129 2.001862197 2.001862197 0.000458614 5.31967E-05 0.025294848 0.025294848
27 6491 6353 138 19044 138 2.126020644 2.126020644 0.003427236 0.004553287 0.007240795 0.007240795
28 6053 6433 -380 144400 380 -6.277878738 6.277878738 7.95877E-05 0.00533216 -0.072360813 0.072360813
29 6495 6441 54 2916 54 0.831408776 0.831408776 0.001025577 0.000837833 0.068052348 0.068052348
30 6683 6475 208 43264 208 3.112374682 3.112374682 0.000122608 0.000913608 0.028131079 0.028131079
31 6481 6555 -74 5476 74 -1.141799105 1.141799105 0.000961852 0.000806031 -0.03116803 0.03116803
32 6665 6464 201 40401 201 3.015753938 3.015753938 0.000287446 0.001011746 0.027606902 0.027606902
33 6453 6340 113 12769 113 1.751123508 1.751123508 0.002352693 0.004175887 -0.032852937 0.032852937
34 6036 6349 -313 97969 313 -5.185553347 5.185553347 0.002000917 2.6377E-05 -0.069085487 0.069085487
35 6067 6337 -270 72900 270 -4.450304928 4.450304928 0.000271676 0.005673936 0.005109609 0.005109609
36 6524 6424 100 10000 100 1.532801962 1.532801962 0.000239671 0.000157979 0.07004905 0.07004905
37 6606 6505 101 10201 101 1.528913109 1.528913109 0.002953329 0.001783739 0.012412958 0.012412958
38 6885 6526 359 128881 359 5.214233842 5.214233842 0.000152416 0.00408411 0.040522876 0.040522876
39 6445 6530 -85 7225 85 -1.318851823 1.318851823 0.001982978 0.001833886 -0.068269977 0.068269977
40 6169 6456 -287 82369 287 -4.652293727 4.652293727 0.002119372 0.003714892 -0.044739828 0.044739828
41 6545 6261 284 80656 284 4.339190222 4.339190222 0.000233443 0.002257883 0.057448434 0.057448434
42 6234 6134 100 10000 100 1.604106513 1.604106513 0.000919158 0.002651407 -0.049887713 0.049887713
43 5913 6102 -189 35721 189 -3.196347032 3.196347032 0.002069611 0.000297567 -0.054287164 0.054287164
44 5811 6080 -269 72361 269 -4.629151609 4.629151609 1.70577E-05 0.001149293 -0.017552917 0.017552917
45 6008 5984 24 576 24 0.399467377 0.399467377 0.002801524 0.005051216 0.032789614 0.032789614
46 6435 6117 318 101124 318 4.941724942 4.941724942 0.006605509 0.011232376 0.066355866 0.066355866
47 5753 6276 -523 273529 523 -9.090909091 9.090909091 0.00128217 0.020514724 -0.118546845 0.118546845
48 6577 6371 206 42436 206 3.13212711 3.13212711 0.00120175 1.81243E-05 0.125285084 0.125285084
49 6605 6377 228 51984 228 3.451930356 3.451930356 2.29221E-08 0.000330078 0.004239213 0.004239213
50 6485 6484 1 1 1 0.0154202 0.0154202 9.5113E-06 1.04862E-05 -0.018504241 0.018504241
51 6464 6484 -20 400 20 -0.309405941 0.309405941 0.000891481 0.000716291 -0.003248762 0.003248762
52 6291 6484 -193 37249 193 -3.067874742 3.067874742 -0.027499603 0.027499603
53 6484
54 6484
55 6484
56 6484
57 6484
58 6484
327319 3E+05 66 2915150 10110 -6.711913936 161.5611462 0.07211501 0.190107483 0.155555482 2.567544852
Perhitungan error pada metode 5 CMA:

|| 10110
= = = 202.2
50

2017 41
Modul 1 Forecasting
Kelompok 4
= 2 = 2915150
|| 161.5611462
= = = 3.231222925
50
+1+1 2
1
=1 ( )
=
+1 2 = 0.61590429
1
=1 ( )

| +1 | 2.56744852
+1
1 = 100% = 100% = 5.03440167
51
Berikut adalah tabel rekap perhitungan error metode 5 CMA:

Tabel 4. 10 Rekap Perhitungan Error Metode 5 CMA
MAD 202.2
SSE 2915150
MAPE 3.231222925
Utheil 0.61590429
NF1 5.03440167
Software
Berikut ini merupakan hasil perhitungan software Minitab peramalan dengan
metode 5 CMA:
Tabel 4. 11 Perhitungan Peramalan 5 CMA Minitab
Periode AVER2 FITS2 RESI2 FORE2
1 6484.4
2 6484.4
3 5537.2 6484.4
4 5843.6 5537.2 248.8 6484.4
5 5985 5843.6 -228.6 6484.4
6 6212.8 5985 399 6484.4
7 6246.6 6212.8 186.2
8 6455.2 6246.6 633.4
9 6471 6455.2 -500.2
10 6388.6 6471 187
11 6159 6388.6 74.4
12 6278.4 6159 -172
13 6184.8 6278.4 -546.4
14 6226.2 6184.8 367.2
15 6378 6226.2 -36.2

2017 42
Modul 1 Forecasting
Kelompok 4

16 6635 6378 292
17 6649 6635 111
18 6698 6649 368
19 6585.4 6698 -76
20 6532.4 6585.4 -150.4
21 6359.4 6532.4 -425.4
22 6295.8 6359.4 121.6
23 6265 6295.8 -143.8
24 6332.4 6265 39
25 6334.4 6332.4 -51.4
26 6314.6 6334.4 109.6
27 6352.8 6314.6 176.4
28 6433.2 6352.8 -299.8
29 6440.6 6433.2 61.8
30 6475.4 6440.6 242.4
31 6555.4 6475.4 5.6
32 6463.6 6555.4 109.6
33 6340.4 6463.6 -10.6
34 6349 6340.4 -304.4
35 6337.2 6349 -282
36 6423.6 6337.2 186.8
37 6505.4 6423.6 182.4
38 6525.8 6505.4 379.6
39 6530 6525.8 -80.8
40 6455.6 6530 -361
41 6261.2 6455.6 89.4
42 6134.4 6261.2 -27.2
43 6102.2 6134.4 -221.4
44 6080.2 6102.2 -291.2
45 5984 6080.2 -72.2
46 6116.8 5984 451
47 6275.6 6116.8 -363.8
48 6371 6275.6 301.4
49 6376.8 6371 234

2017 43
Modul 1 Forecasting
Kelompok 4

50 6484.4 6376.8 108.2
51 6484.4 -20.4
52 6484.4 -193.4
Grafik Peramalan
dengan excel:
5 Centered Moving Average

8000
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53
X (t) F (t)
Gambar 4. 12 Grafik Peramalan 5 CMA Excel

denga Minitab:

2017 44
Modul 1 Forecasting
Kelompok 4
Gambar 4. 13 Grafik Peramalan 5 CMA Minitab
d. 2 Weight Moving Average (2 WMA)

Manual
Perhitungan pada metode 2 WMA:
- Bobot: 0.6 dan 0.4
- Peramalan: +1 = (1 1 ) + (2 )
F3 = (0.6 4852) + (0.4 5692) = 5188
- Error: =
e3 = 5741 5188 = 553
- Error2: 2
(et)2 = 5532 = 305809
- |Error|: | |
| | = |553| = 553

- PE: = 100

57415188
PE3: = 100 = 9.632468211
5741
- Absolut PE: |PEt|

|PE4| = |9.632468211| = 9.632468211
2017 45
Modul 1 Forecasting
Kelompok 4
+1 +1 2
- Pembilang: = [ ]

57125786 2
Pembilang = [ ] = 0.000167946
5741
+1 2
- Penyebut: = [ ]

57865741 2
Penyebut = [ ] = 6.14398 05
5741
1
- Galat: =
56924852
Galat = = 0.147575545
5692
- |Galat| = 0.147575545
dengan metode 2 WMA:
Tabel 4. 12 Perhitungan Peramalan Manual 2 WMA
1 4852
2 5692 0.147575545 0.147575545
3 5741 5188 553 305809 553 9.632468211 9.632468211 0.000167946 6.14398E-05 0.008535098 0.008535098
4 5786 5712 74 5535.36 74.4 1.285862427 1.285862427 0.000619396 0.000873445 0.007777394 0.007777394
5 5615 5759 -144 20736 144 -2.564559216 2.564559216 0.014085441 0.018756559 -0.030454141 0.030454141
6 6384 5718 666 444088.96 666.4 10.43859649 10.43859649 0.00556875 5.52073E-06 0.120457393 0.120457393
7 6399 5923 476 226956.96 476.4 7.444913268 7.444913268 0.005863649 0.005650227 0.002344116 0.002344116
8 6880 6390 490 240100 490 7.122093023 7.122093023 0.00855625 0.018076177 0.069912791 0.069912791
9 5955 6591 -636 405004.96 636.4 -10.6868178 10.6868178 0.000617675 0.013936288 -0.155331654 0.155331654
10 6658 6510 148 21904 148 2.222889757 2.222889757 0.001160375 0.000857791 0.105587263 0.105587263
11 6463 6236 227 51438.24 226.8 3.509206251 3.509206251 0.008418623 0.005424324 -0.030171747 0.030171747
12 5987 6580 -593 351649 593 -9.90479372 9.90479372 0.008153303 0.001814103 -0.079505595 0.079505595
13 5732 6273 -541 292248.36 540.6 -9.431263084 9.431263084 0.013540644 0.020465169 -0.04448709 0.04448709
14 6552 5885 667 444889 667 10.18009768 10.18009768 0.000393676 0.003052596 0.125152625 0.125152625
15 6190 6060 130 16900 130 2.100161551 2.100161551 0.001802476 0.006013138 -0.058481422 0.058481422
16 6670 6407 263 69063.84 262.8 3.940029985 3.940029985 0.002978181 0.00012983 0.071964018 0.071964018
17 6746 6382 364 132496 364 5.395790098 5.395790098 0.002202567 0.001613786 0.011265935 0.011265935
18 7017 6700 317 100235.56 316.6 4.511899672 4.511899672 0.001096906 0.003168774 0.038620493 0.038620493
19 6622 6854 -232 54009.76 232.4 -3.509513742 3.509513742 0.004099712 0.000797453 -0.059649653 0.059649653
20 6435 6859 -424 179776 424 -6.588966589 6.588966589 0.004679538 0.002598068 -0.029059829 0.029059829
21 6107 6547 -440 193776.04 440.2 -7.208121827 7.208121827 0.000841921 0.003750484 -0.053708859 0.053708859
22 6481 6304 177 31399.84 177.2 2.734145965 2.734145965 0.000260483 0.00257696 0.057707144 0.057707144
23 6152 6257 -105 10941.16 104.6 -1.700260078 1.700260078 5.44602E-05 0.000610456 -0.053478544 0.053478544
24 6304 6349 -45 2061.16 45.4 -0.720177665 0.720177665 0.000117041 1.33114E-05 0.024111675 0.024111675
25 6281 6213 68 4651.24 68.2 1.085814361 1.085814361 0.000564261 0.000673469 -0.003661837 0.003661837
26 6444 6295 149 22260.64 149.2 2.315332092 2.315332092 0.000504924 5.31967E-05 0.025294848 0.025294848
27 6491 6346 145 20967.04 144.8 2.230781081 2.230781081 0.003985848 0.004553287 0.007240795 0.007240795
28 6053 6463 -410 167936.04 409.8 -6.770196597 6.770196597 0.000876465 0.00533216 -0.072360813 0.072360813
29 6495 6316 179 32112.64 179.2 2.75904542 2.75904542 0.004868795 0.000837833 0.068052348 0.068052348
30 6683 6230 453 205390.24 453.2 6.781385605 6.781385605 0.00017815 0.000913608 0.028131079 0.028131079
31 6481 6570 -89 7956.64 89.2 -1.376330813 1.376330813 9.38934E-05 0.000806031 -0.03116803 0.03116803
32 6665 6602 63 3943.84 62.8 0.942235559 0.942235559 0.000232374 0.001011746 0.027606902 0.027606902

2017 46
Modul 1 Forecasting
Kelompok 4
Tabel 4.12 Perhitungan Peramalan Manual 2 WMA (Lanjutan)

33 6453 6555 -102 10322.56 101.6 -1.574461491 1.574461491 0.007112033 0.004175887 -0.032852937 0.032852937
34 6036 6580 -544 296153.64 544.2 -9.015904573 9.015904573 0.001318811 2.6377E-05 -0.069085487 0.069085487
35 6067 6286 -219 48048.64 219.2 -3.612988297 3.612988297 0.006145195 0.005673936 0.005109609 0.005109609
36 6524 6048 476 226195.36 475.6 7.290006131 7.290006131 0.002980986 0.000157979 0.07004905 0.07004905
37 6606 6250 356 126878.44 356.2 5.392067817 5.392067817 0.002468312 0.001783739 0.012412958 0.012412958
38 6885 6557 328 107715.24 328.2 4.766884532 4.766884532 0.001567631 0.00408411 0.040522876 0.040522876
39 6445 6718 -273 74310.76 272.6 -4.229635376 4.229635376 0.007020074 0.001833886 -0.068269977 0.068269977
40 6169 6709 -540 291600 540 -8.753444643 8.753444643 0.00116322 0.003714892 -0.044739828 0.044739828
41 6545 6335 210 44268.16 210.4 3.214667685 3.214667685 0.000170254 0.002257883 0.057448434 0.057448434
42 6234 6319 -85 7293.16 85.4 -1.369906962 1.369906962 0.006629941 0.002651407 -0.049887713 0.049887713
43 5913 6421 -508 257657.76 507.6 -8.584474886 8.584474886 0.002482274 0.000297567 -0.054287164 0.054287164
44 5811 6106 -295 86789.16 294.6 -5.069695405 5.069695405 0.000546132 0.001149293 -0.017552917 0.017552917
45 6008 5872 136 18441.64 135.8 2.260319574 2.260319574 0.008234777 0.005051216 0.032789614 0.032789614
46 6435 5890 545 297243.04 545.2 8.472416472 8.472416472 0.004378388 0.011232376 0.066355866 0.066355866
47 5753 6179 -426 181305.64 425.8 -7.401355814 7.401355814 0.005198628 0.020514724 -0.118546845 0.118546845
48 6577 6162 415 172059.04 414.8 6.306826821 6.306826821 0.006308857 1.81243E-05 0.125285084 0.125285084
49 6605 6083 522 272901.76 522.4 7.909159727 7.909159727 0.000244126 0.000330078 0.004239213 0.004239213
50 6485 6588 -103 10650.24 103.2 -1.591364688 1.591364688 0.000205658 1.04862E-05 -0.018504241 0.018504241
51 6464 6557 -93 8649 93 -1.438737624 1.438737624 0.000824429 0.000716291 -0.003248762 0.003248762
52 6291 6477 -186 34447.36 185.6 -2.950246384 2.950246384 -0.027499603 0.027499603
53 6395
54 6395
55 6395
56 6395
57 6395
58 6395
327319 3E+05 1566.2 6639168.12 15631 16.19187998 248.2983145 0.161583448 0.190107483 0.155555482 2.567544852
Perhitungan error pada metode 2 WMA:

|| 10110
= = = 312.62
50
= 2 = 6639168.12
|| 161.5611462
= = = 4.965966291
50
+1+1 2
1
=1 ( )
= 1

+1 2 = 0.921931874
=1 ( )

| +1 | 2.56744852
+1
1 = 100% = 100% = 5.03440167
51
Berikut adalah tabel rekap perhitungan error metode 2 WMA:

Tabel 4. 13 Rekap Perhitungan Error Metode 2 WMA
MAD 312.62
SSE 6639168.12
MAPE 4.965966291
Utheil 0.921931874
NF1 5.03440167

2017 47
Modul 1 Forecasting
Kelompok 4
Software
Berikut ini merupakan hasil perhitungan software Winqsb peramalan dengan
metode 2 WMA:
Tabel 4. 14 Perhitungan Peramalan 2 WMA Winqsb (1)
Tabel 4. 15 Perhitungan Peramalan 2 WMA Winqsb (2)

2017 48
Modul 1 Forecasting
Kelompok 4
Grafik Peramalan
Berikut ini adalah grafik dari peramalan menggunakan metode 2 WMA
dengan excel:
2 Weight Moving Average

8000
6000
4000
2000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53
X (t) F (t)
Gambar 4. 14 Grafik Peramalan 2 WMA Excel
Berikut ini adalah grafik dari peramalan menggunakan metode 2 WMA

dengan Winqsb:
Gambar 4. 15 Grafik Peramalan 2 WMA Winqsb

2017 49
Modul 1 Forecasting
Kelompok 4
Exponentional Smoothing (SES)

a. Single Exponentional Smoothing
Manual
Perhitungan pada metode SES:
- = 0.332
- Peramalan: +1 = ( ) + ( 1)
F2 = (0.332 4852) + (0.668 4852) = 4852
- Error: =
e2 = 5692 4852 = 840
- Error2: 2
(et)2 = 8402 = 705600
- |Error|: | |
| | = 840 = 840

- PE: = 100

56924852
PE3: = 100 = 14.75755446
5692
- Absolut PE: |PEt|

|PE4| = |14.75755446| = 14.75755446
+1 +1 2
- Pembilang: = [ ]

51315741 2
Pembilang = [ ] = 0.01148949
5692
+1 2
- Penyebut: = [ ]

57415692 2
Penyebut = [ ] = 7.41075 05
5692
1
- Galat: =
56924852
Galat = = 0.147575545
5692
- |galat| = 0.147575545

dengan metode SES:
2017 50
Modul 1 Forecasting
Kelompok 4
Tabel 4. 16 Perhitungan Peramalan Manual SES

1 4852 4852
2 5692 4852 840 705600 840 14.75755446 14.75755446 0.01148949 7.41075E-05 0.147575545 0.147575545
3 5741 5131 610 372246.4144 610.12 10.62741683 10.62741683 0.00621409 6.14398E-05 0.008535098 0.008535098
4 5786 5333 453 204810.6984 452.56016 7.821641203 7.821641203 0.000515039 0.000873445 0.007777394 0.007777394
5 5615 5484 131 17242.36518 131.3101869 2.338560764 2.338560764 0.023279488 0.018756559 -0.030454141 0.030454141
6 6384 5527 857 733960.9422 856.7152048 13.41972439 13.41972439 0.008462783 5.52073E-06 0.120457393 0.120457393
7 6399 5812 587 344904.5602 587.2857568 9.177773978 9.177773978 0.018625569 0.005650227 0.002344116 0.002344116
8 6880 6007 873 762664.9164 873.3068856 12.69341403 12.69341403 0.002465685 0.018076177 0.069912791 0.069912791
9 5955 6297 -342 116711.7405 341.6310004 -5.736876582 5.736876582 0.006356828 0.013936288 -0.155331654 0.155331654
10 6658 6183 475 225426.011 474.7904917 7.131127842 7.131127842 0.000336644 0.000857791 0.105587263 0.105587263
11 6463 6341 122 14923.07744 122.1600485 1.890144646 1.890144646 0.003723909 0.005424324 -0.030171747 0.030171747
12 5987 6381 -394 155549.0627 394.3970876 -6.587557836 6.587557836 0.00749907 0.001814103 -0.079505595 0.079505595
13 5732 6250 -518 268797.9248 518.4572545 -9.04496257 9.04496257 0.006828737 0.020465169 -0.04448709 0.04448709
14 6552 6078 474 224363.7937 473.670554 7.229404059 7.229404059 4.84122E-05 0.003052596 0.125152625 0.125152625
15 6190 6236 -46 2078.272122 45.58806995 -0.736479321 0.736479321 0.005274354 0.006013138 -0.058481422 0.058481422
16 6670 6220 450 202092.6574 449.5471693 6.73983762 6.73983762 0.003182812 0.00012983 0.071964018 0.071964018
17 6746 6370 376 141599.8153 376.2975091 5.578083443 5.578083443 0.005995955 0.001613786 0.011265935 0.011265935
18 7017 6495 522 272867.0069 522.3667361 7.444302922 7.444302922 4.3085E-05 0.003168774 0.038620493 0.038620493
19 6622 6668 -46 2121.433352 46.05902031 -0.695545459 0.695545459 0.001081453 0.000797453 -0.059649653 0.059649653
20 6435 6653 -218 47422.65164 217.7674256 -3.384109177 3.384109177 0.00541359 0.002598068 -0.029059829 0.029059829
21 6107 6580 -473 224172.5533 473.4686403 -7.752884236 7.752884236 8.9339E-05 0.003750484 -0.053708859 0.053708859
22 6481 6423 58 3331.93876 57.72294829 0.890648793 0.890648793 0.002008316 0.00257696 0.057707144 0.057707144
23 6152 6442 -290 84356.01546 290.4410705 -4.721083721 4.721083721 4.66411E-05 0.000610456 -0.053478544 0.053478544
24 6304 6346 -42 1765.229564 42.01463512 -0.666475811 0.666475811 6.56187E-05 1.33114E-05 0.024111675 0.024111675
25 6281 6332 -51 2607.713505 51.06577626 -0.813019842 0.813019842 0.000421083 0.000673469 -0.003661837 0.003661837
26 6444 6315 129 16612.13239 128.8880615 2.0001251 2.0001251 0.000426606 5.31967E-05 0.025294848 0.025294848
27 6491 6358 133 17714.87132 133.0972251 2.050488754 2.050488754 0.002892372 0.004553287 0.007240795 0.007240795
28 6053 6402 -349 121864.5637 349.0910537 -5.767240272 5.767240272 0.001190007 0.00533216 -0.072360813 0.072360813
29 6495 6286 209 43600.43681 208.8071762 3.214891088 3.214891088 0.002542259 0.000837833 0.068052348 0.068052348
30 6683 6356 327 107245.2421 327.4831937 4.900242311 4.900242311 6.28842E-06 0.000913608 0.028131079 0.028131079
31 6481 6464 17 280.8564849 16.75877337 0.258583141 0.258583141 0.000907095 0.000806031 -0.03116803 0.03116803
32 6665 6470 195 38101.03361 195.1948606 2.928655073 2.928655073 0.000149929 0.001011746 0.027606902 0.027606902
33 6453 6535 -82 6660.16486 81.60983311 -1.264680507 1.264680507 0.005339104 0.004175887 -0.032852937 0.032852937
34 6036 6508 -472 222326.7427 471.5153685 -7.81171916 7.81171916 0.002213367 2.6377E-05 -0.069085487 0.069085487
35 6067 6351 -284 80640.24795 283.9722662 -4.680604354 4.680604354 0.001941204 0.005673936 0.005109609 0.005109609
36 6524 6257 267 71452.77895 267.3065262 4.097279678 4.097279678 0.001595108 0.000157979 0.07004905 0.07004905
37 6606 6345 261 67891.90939 260.5607595 3.944304564 3.944304564 0.00470353 0.001783739 0.012412958 0.012412958
38 6885 6432 453 205258.4591 453.0545873 6.580313542 6.580313542 0.000398024 0.00408411 0.040522876 0.040522876
39 6445 6582 -137 18867.64203 137.3595357 -2.131257341 2.131257341 0.003255923 0.001833886 -0.068269977 0.068269977
40 6169 6537 -368 135244.6004 367.7561698 -5.961357916 5.961357916 0.000446394 0.003714892 -0.044739828 0.044739828
41 6545 6415 130 16988.22327 130.3388786 1.991426716 1.991426716 0.001170629 0.002257883 0.057448434 0.057448434
42 6234 6458 -224 50146.27025 223.9336291 -3.592133929 3.592133929 0.005698328 0.002651407 -0.049887713 0.049887713
43 5913 6384 -471 221452.7497 470.5876643 -7.95852637 7.95852637 0.004958002 0.000297567 -0.054287164 0.054287164
44 5811 6227 -416 173349.454 416.3525597 -7.164903798 7.164903798 0.000194891 0.001149293 -0.017552917 0.017552917
45 6008 6089 -81 6581.023857 81.12350989 -1.350258154 1.350258154 0.003850473 0.005051216 0.032789614 0.032789614
46 6435 6062 373 138986.9199 372.8094954 5.793465352 5.793465352 0.004526943 0.011232376 0.066355866 0.066355866
47 5753 6186 -433 187457.182 432.9632571 -7.525869235 7.525869235 0.008640969 0.020514724 -0.118546845 0.118546845
48 6577 6042 535 285990.2305 534.7805443 8.13107107 8.13107107 0.003430775 1.81243E-05 0.125285084 0.125285084
49 6605 6220 385 148404.7752 385.2334036 5.832451227 5.832451227 0.000432337 0.000330078 0.004239213 0.004239213
50 6485 6348 137 18861.15316 137.3359136 2.117747318 2.117747318 0.000118991 1.04862E-05 -0.018504241 0.018504241
51 6464 6393 71 5004.202816 70.74039028 1.09437485 1.09437485 0.000378427 0.000716291 -0.003248762 0.003248762
52 6291 6417 -126 15811.91047 125.7454193 -1.998814486 1.998814486 -0.027499603 0.027499603
53 6375
54
55

2017 51
Modul 1 Forecasting
Kelompok 4
Tabel 4.16 Perhitungan Peramalan Manual SES (Lanjutan)

56
57
58
327319 3E+05 4587.343193 7554412.571 16313.14369 65.32869469 260.0214148 0.180875965 0.19018159 0.155555482 2.567544852
Perhitungan error pada metode SES:

|| 16313.14369
= = = 319.8655625
51
= 2 = 7554412.571
|| 260.0214148
= = = 5.098459115
51
+1+1 2
1
=1 ( )
=
+1 2 = 0.975228072
1
=1 ( )

| +1 | 2.567544852
+1
1 = = 100 = 5.03440167
51
Berikut adalah tabel rekap perhitungan error metode SES:

Tabel 4. 17 Rekap Perhitungan Error Metode SES
MAD 319.8655625
SSE 7554412.571
MAPE 5.098459115
Utheil 0.975228072
NF1 5.03440167
Software
Berikut ini merupakan hasil perhitungan software Winqsb peramalan dengan
metode SES:

2017 52
Modul 1 Forecasting
Kelompok 4
Tabel 4. 18 Perhitungan Peramalan SES Winqsb (1)
Tabel 4. 19 Perhitungan Peramalan SES Winqsb (2)

2017 53
Modul 1 Forecasting
Kelompok 4
Grafik Peramalan
Berikut ini adalah grafik dari peramalan menggunakan metode SES dengan
excel:
Single Exponentional Smoothing

8000
7000
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11131517192123252729313335373941434547495153
X (t) F (t)
Gambar 4. 16 Grafik Peramalan SES Excel
Berikut ini adalah grafik dari peramalan menggunakan metode SES dengan
Winqsb:
Gambar 4. 17 Grafik Peramalan SES Winqsb

2017 54
Modul 1 Forecasting
Kelompok 4
4.2.4 Hasil Peramalan

Berikut adalah tabel rekap nilai error MAPE masing-masing metode pada data
konstan:
Tabel 4. 20 Rekap Error Masing-Masing Metode pada Data Konstan
Metode MAPE
3 Single Moving Average (3 SMA) 4.889277371
3 Centered Moving Average (3 CMA) 2.738945533
5 Centered Moving Average (5 CMA) 3.231222925
2 Weight Moving Average (2 WMA) 4.965966291
Single Exponentional Smoothing (SES) 5.098459115
Berdasarkan rekap tersebut didapatkan bahwa metode 3 Centered Moving

Average (3 CMA) merupakan metode terbaik untuk data konstan dengan nilai error
MAPE terkecil sebesar 2.738945533. Berikut adalah hasil peramalan 6 bulan
mendatang menggunakan metode 3 Centered Moving Average (3 CMA):
Tabel 4. 21 Hasil Peramalan Data Konstan Metode 3 Centered Moving Average (3 CMA)
t X (t) F (t)
1 4852
2 5692 5428
3 5741 5740
4 5786 5714
5 5615 5928
6 6384 6133
7 6399 6554
8 6880 6411
9 5955 6498
10 6658 6359
11 6463 6369
12 5987 6061
13 5732 6090
14 6552 6158
15 6190 6471
16 6670 6535
17 6746 6811
18 7017 6795
19 6622 6691
20 6435 6388
21 6107 6341

2017 55
Modul 1 Forecasting
Kelompok 4
Tabel 4.21 Hasil Peramalan Data Konstan Metode 3 Centered Moving Average (3 CMA) (Lanjutan)
t X (t) F (t)
22 6481 6247
23 6152 6312
24 6304 6246
25 6281 6343
26 6444 6405
27 6491 6329
28 6053 6346
29 6495 6410
30 6683 6553
31 6481 6610
32 6665 6533
33 6453 6385
34 6036 6185
35 6067 6209
36 6524 6399
37 6606 6672
38 6885 6645
39 6445 6500
40 6169 6386
41 6545 6316
42 6234 6231
43 5913 5986
44 5811 5911
45 6008 6085
46 6435 6065
47 5753 6255
48 6577 6312
49 6605 6556
50 6485 6518
51 6464 6413
52 6291 6413
53 6413
54 6413
55 6413
56 6413
57 6413
58 6413

2017 56
Modul 1 Forecasting
Kelompok 4
4.2.3.3 Data Pola Linear
Metode Moving Average

a. Double Moving Average (3 DMA)
Manual
Contoh perhitungan peramalan 3 DMA :
+1+2 3973+4622+4623
S(3) = = = 4406
3
+1+2 4406+4592+4550
S(5) = = = 4516
3
a5 = 2St St = 2 4550 4516 = 4584

2 2
b5 = 1 ( ") = (4550 4516) = 34
31
F6 = a5 + b5 = 4584 + 34 = 4618
Berikut ini merupakan tabel hasil perhitungan manual peramalan
dengan metode 3 DMA.
Tabel 4. 22 Perhitungan Peramalan Manual DMA

X(t) S' S'' a b F(t)
t
1 3973
2 4622
3 4623 4406.00
4 4531 4592.00
5 4496 4550.00 4516.00 4584.00 34.00
6 4622 4549.67 4563.89 4535.44 -14.22 4618.00
7 4448 4522.00 4540.56 4503.44 -18.56 4521.22
8 4497 4522.33 4531.33 4513.33 -9.00 4484.89
9 4520 4488.33 4510.89 4465.78 -22.56 4504.33
10 4586 4534.33 4515.00 4553.67 19.33 4443.22
11 4598 4568.00 4530.22 4605.78 37.78 4573.00

2017 57
Modul 1 Forecasting
Kelompok 4
Tabel 4.22 Perhitungan Peramalan Manual DMA (Lanjutan)

t X(t) S' S'' a b F(t)
12 4698 4627.33 4576.56 4678.11 50.78 4643.56
13 4732 4676.00 4623.78 4728.22 52.22 4728.89
14 4628 4686.00 4663.11 4708.89 22.89 4780.44
15 4645 4668.33 4676.78 4659.89 -8.44 4731.78
16 4675 4649.33 4667.89 4630.78 -18.56 4651.44
17 4830 4716.67 4678.11 4755.22 38.56 4612.22
18 4831 4778.67 4714.89 4842.44 63.78 4793.78
19 4769 4810.00 4768.44 4851.56 41.56 4906.22
20 4771 4790.33 4793.00 4787.67 -2.67 4893.11
21 4792 4777.33 4792.56 4762.11 -15.22 4785.00
22 4806 4789.67 4785.78 4793.56 3.89 4746.89
23 4816 4804.67 4790.56 4818.78 14.11 4797.44
24 5019 4880.33 4824.89 4935.78 55.44 4832.89
25 5028 4954.33 4879.78 5028.89 74.56 4991.22
26 5040 5029.00 4954.56 5103.44 74.44 5103.44
27 5044 5037.33 5006.89 5067.78 30.44 5177.89
28 5046 5043.33 5036.56 5050.11 6.78 5098.22
29 5054 5048.00 5042.89 5053.11 5.11 5056.89
30 5127 5075.67 5055.67 5095.67 20.00 5058.22
31 4901 5027.33 5050.33 5004.33 -23.00 5115.67
32 4906 4978.00 5027.00 4929.00 -49.00 4981.33
33 4976 4927.67 4977.67 4877.67 -50.00 4880.00
34 4988 4956.67 4954.11 4959.22 2.56 4827.67
35 5007 4990.33 4958.22 5022.44 32.11 4961.78

2017 58
Modul 1 Forecasting
Kelompok 4
Tabel 4.22 Perhitungan Peramalan Manual DMA (Lanjutan)

t X(t) S' S'' a b F(t)
36 5176 5057.00 5001.33 5112.67 55.67 5054.56
37 5185 5122.67 5056.67 5188.67 66.00 5168.33
38 5072 5144.33 5108.00 5180.67 36.33 5254.67
39 5161 5139.33 5135.44 5143.22 3.89 5217.00
40 5315 5182.67 5155.44 5209.89 27.22 5147.11
41 5251 5242.33 5188.11 5296.56 54.22 5237.11
42 5111 5225.67 5216.89 5234.44 8.78 5350.78
43 5019 5127.00 5198.33 5055.67 -71.33 5243.22
44 4968 5032.67 5128.44 4936.89 -95.78 4984.33
45 4913 4966.67 5042.11 4891.22 -75.44 4841.11
46 4569 4816.67 4938.67 4694.67 -122.00 4815.78
47 4798 4760.00 4847.78 4672.22 -87.78 4572.67
48 5231 4866.00 4814.22 4917.78 51.78 4584.44
49 5241 5090.00 4905.33 5274.67 184.67 4969.56
50 5243 5238.33 5064.78 5411.89 173.56 5459.33
51 5259 5247.67 5192.00 5303.33 55.67 5585.44
52 5278 5260.00 5248.67 5271.33 11.33 5359.00
53 5282.67
54 5294.00
55 5305.33
56 5316.67
57 5328.00
58 5339.33

2017 59
Modul 1 Forecasting
Kelompok 4
Berikut ini adalah perhitungan error untuk metode DMA.
Perhitungan manual error pada metode DMA :
Error: =
e6 = 4622 4618 = 4
Error2: 2
(et)2 = 42 = 16
|Error|: | |
| | = |4| = 4

PE: = 100

46224618
PE4: = 100 = 0.00087
4622
Absolut PE: |PEt|

|PE4| = |0.00087| = 0.00087
+1 +1 2
Pembilang: = [ ]

+1 +1 2 46184622 2
Pembilang = [ ] =[ ] = 7.9 107
4496
+1 2
Penyebut: = [ ]

46184496 2
Penyebut = [ ] = 0.00079
4496
1
Galat: = 100

46223973
Galat = x 100| = 16.335
3973
|galat| = 16.335
Tabel 4. 23 Perhitungan Error DMA

t X(t) F(t) Error |Error| Error^2 |PE| Pembilang Penyebut NF1
1 3973
2 4622 16.3353
3 4623 0.0216

2017 60
Modul 1 Forecasting
Kelompok 4
Tabel 4.23 Perhitungan Error DMA

4 4531 1.9900
5 4496 0.7725
6 4622 4618 4 4 16 0.0865 7.9E-07 0.00079 2.8025
7 4448 4521.22 -73.222 73.2222 5361.49 1.6462 0.00025 0.00142 3.7646
8 4497 4484.89 12.1111 12.1111 146.679 0.2693 7.4E-06 0.00012 1.1016
9 4520 4504.33 15.6667 15.6667 245.444 0.3466 1.2E-05 2.6E-05 0.5115
10 4586 4443.22 142.778 142.778 20385.5 3.1133 0.001 0.00021 1.4602
11 4598 4573 25 25 625 0.5437 3E-05 6.8E-06 0.2617
12 4698 4643.56 54.4444 54.4444 2964.2 1.1589 0.00014 0.00047 2.1749
13 4732 4728.89 3.11111 3.11111 9.67901 0.0657 4.4E-07 5.2E-05 0.7237
14 4628 4780.44 -152.44 152.444 23239.3 3.2940 0.00104 0.00048 2.1978
15 4645 4731.78 -86.778 86.7778 7530.38 1.8682 0.00035 1.3E-05 0.3673
16 4675 4651.44 23.5556 23.5556 554.864 0.5039 2.6E-05 4.2E-05 0.6459
17 4830 4612.22 217.778 217.778 47427.2 4.5089 0.00217 0.0011 3.3155
18 4831 4793.78 37.2222 37.2222 1385.49 0.7705 5.9E-05 4.3E-08 0.0207
19 4769 4906.22 -137.22 137.222 18829.9 2.8774 0.00081 0.00016 1.2834
20 4771 4893.11 -122.11 122.111 14911.1 2.5594 0.00066 1.8E-07 0.0419
21 4792 4785 7 7 49 0.1461 2.2E-06 1.9E-05 0.4402
22 4806 4746.89 59.1111 59.1111 3494.12 1.2299 0.00015 8.5E-06 0.2922
23 4816 4797.44 18.5556 18.5556 344.309 0.3853 1.5E-05 4.3E-06 0.2081
24 5019 4832.89 186.111 186.111 34637.3 3.7081 0.00149 0.00178 4.2151
25 5028 4991.22 36.7778 36.7778 1352.6 0.7315 5.4E-05 3.2E-06 0.1793
26 5040 5103.44 -63.444 63.4444 4025.2 1.2588 0.00016 5.7E-06 0.2387
27 5044 5177.89 -133.89 133.889 17926.2 2.6544 0.00071 6.3E-07 0.0794

2017 61
Modul 1 Forecasting
Kelompok 4

28 5046 5098.22 -52.222 52.2222 2727.16 1.0349 0.00011 1.6E-07 0.0397
29 5054 5056.89 -2.8889 2.88889 8.34568 0.0572 3.3E-07 2.5E-06 0.1585
30 5127 5058.22 68.7778 68.7778 4730.38 1.3415 0.00019 0.00021 1.4444
31 4901 5115.67 -214.67 214.667 46081.8 4.3801 0.00175 0.00194 4.4080
32 4906 4981.33 -75.333 75.3333 5675.11 1.5355 0.00024 1E-06 0.1020
33 4976 4880 96 96 9216 1.9293 0.00038 0.0002 1.4268
34 4988 4827.67 160.333 160.333 25706.8 3.2144 0.00104 5.8E-06 0.2412
35 5007 4961.78 45.2222 45.2222 2045.05 0.9032 8.2E-05 1.5E-05 0.3809
36 5176 5054.56 121.444 121.444 14748.8 2.3463 0.00059 0.00114 3.3753
37 5185 5168.33 16.6667 16.6667 277.778 0.3214 1E-05 3E-06 0.1739
38 5072 5254.67 -182.67 182.667 33367.1 3.6015 0.00124 0.00047 2.1794
39 5161 5217 -56 56 3136 1.0851 0.00012 0.00031 1.7547
40 5315 5147.11 167.889 167.889 28186.7 3.1588 0.00106 0.00089 2.9839
41 5251 5237.11 13.8889 13.8889 192.901 0.2645 6.8E-06 0.00014 1.2041
42 5111 5350.78 -239.78 239.778 57493.4 4.6914 0.00209 0.00071 2.6662
43 5019 5243.22 -224.22 224.222 50275.6 4.4675 0.00192 0.00032 1.8000
44 4968 4984.33 -16.333 16.3333 266.778 0.3288 1.1E-05 0.0001 1.0161
45 4913 4841.11 71.8889 71.8889 5168.01 1.4632 0.00021 0.00012 1.1071
46 4569 4815.78 -246.78 246.778 60899.3 5.4011 0.00252 0.0049 7.0018
47 4798 4572.67 225.333 225.333 50775.1 4.6964 0.00243 0.00251 5.0120
48 5231 4584.44 646.556 646.556 418034 12.3601 0.01816 0.00814 9.0246
49 5241 4969.56 271.444 271.444 73682.1 5.1792 0.00269 3.7E-06 0.1912
50 5243 5459.33 -216.33 216.333 46800.1 4.1261 0.0017 1.5E-07 0.0382

2017 62
Modul 1 Forecasting
Kelompok 4

51 5259 5585.44 -326.44 326.444 106566 6.2073 0.00388 9.3E-06 0.3052
52 5278 5359 -81 81 6561 1.5347 0.00024 1.3E-05 0.3613
53 5282.67
54 5294
55 5305.33
56 5316.67
57 5328
58 5339.33
Perhitungan error pada metode DMA :
|| 5452.44
MAD = = = 116.0095
47
2 1258082.32
MSE = = = 26767.709
47
|| 109
MAPE = = = 2.327%
47
+1+1 2
1
=1 ( )
UTHEIL = 1

+1+1 2 = 1.338677
=1 ( )

|1| 100
NF1 = = = 1.84
51
Berikut ini merupakan tabel rekap perhitungan error pada masing-masing metode.
Tabel 4. 24 Rekap Error DMA

Nilai Error
Metode
MAD 116.009
MSE 26767.7

2017 63
Modul 1 Forecasting
Kelompok 4
Tabel 4.24 Rekap Error DMA (Lanjutan)

Nilai Error
Metode
MAPE 2.327
UTHEIL 1.33868
NF1 1.84
Grafik Peramalan
DMA dengan excel.
DMA
6000
5000
4000
Axis Title
3000 Xt
Ft
2000
1000
0
1 3 5 7 9 11131517192123252729313335373941434547495153
Gambar 4. 18 Grafik Peramalan 3 DMA

2017 64
Modul 1 Forecasting
Kelompok 4
b. Double Exponential Smoothing (DES)

Manual
Contoh perhitungan peramalan DES :
S(2) = ( ) + (1 )1
(0.122 4622) + (1 0.122)3973 = 4052.18
S(2) = ( ) + (1 )1
(0.122 4052.18) + (1 0.122)3973 = 3982.66
a2 = 2St St = 2 4052.18 3982.66 = 4121.7
0.122
b2 = 1 ( ") = (4052.18 3982.66) = 9.66
10.122
F3 = a2 + b2 = 4121.7 + 9.66 = 4131.36

Berikut ini merupakan hasil perhitungan manual peramalan dengan
metode Double Exponential Smoothing (DES).
Tabel 4. 25 Perhitungan Peramalan DES
t Xt s' s'' a b Ft
1 3973 3973 3973
2 4622 4052 3983 4122 9.66
3 4623 4122 4000 4244 16.98 4131
4 4531 4172 4021 4323 21.00 4261
5 4496 4211 4044 4379 23.26 4344
6 4622 4261 4070 4452 26.54 4402
7 4448 4284 4097 4472 26.08 4479
8 4497 4310 4123 4498 26.06 4498
9 4520 4336 4149 4523 26.01 4524
10 4586 4366 4175 4557 26.56 4549
11 4598 4395 4202 4587 26.77 4584
12 4698 4432 4230 4633 28.02 4614

2017 65
Modul 1 Forecasting
Kelompok 4
Tabel 4.25 Perhitungan Peramalan DES (Lanjutan)

t Xt s' s'' a b Ft
13 4732 4468 4259 4677 29.07 4661
14 4628 4488 4287 4689 27.90 4707
15 4645 4507 4314 4700 26.84 4716
16 4675 4527 4340 4715 26.07 4727
17 4830 4564 4367 4761 27.39 4741
18 4831 4597 4395 4799 28.02 4789
19 4769 4618 4422 4813 27.16 4827
20 4771 4637 4449 4825 26.13 4841
21 4792 4656 4474 4837 25.25 4851
22 4806 4674 4498 4850 24.41 4863
23 4816 4691 4522 4861 23.55 4874
24 5019 4731 4547 4915 25.56 4884
25 5028 4767 4574 4961 26.86 4941
26 5040 4801 4602 5000 27.64 4988
27 5044 4830 4630 5031 27.89 5027
28 5046 4857 4657 5056 27.69 5059
29 5054 4881 4685 5077 27.25 5084
30 5127 4911 4712 5109 27.59 5104
31 4901 4910 4736 5083 24.08 5137
32 4906 4909 4757 5061 21.09 5107
33 4976 4917 4777 5058 19.51 5082
34 4988 4926 4795 5057 18.18 5077
35 5007 4936 4812 5059 17.17 5075
36 5176 4965 4831 5099 18.65 5077

2017 66
Modul 1 Forecasting
Kelompok 4
Tabel 4.25 Perhitungan Peramalan DES (Lanjutan)

t Xt s' s'' a b Ft
37 5185 4992 4851 5133 19.65 5118
38 5072 5002 4869 5134 18.44 5153
39 5161 5021 4888 5155 18.56 5153
40 5315 5057 4908 5206 20.67 5173
41 5251 5081 4929 5232 21.04 5226
42 5111 5084 4948 5221 18.92 5253
43 5019 5076 4964 5189 15.64 5239
44 4968 5063 4976 5150 12.12 5205
45 4913 5045 4984 5105 8.41 5163
46 4569 4987 4985 4989 0.30 5114
47 4798 4964 4982 4945 -2.55 4989
48 5231 4996 4984 5009 1.74 4943
49 5241 5026 4989 5063 5.17 5011
50 5243 5053 4997 5109 7.77 5069
51 5259 5078 5007 5149 9.89 5116
52 5278 5102 5018 5186 11.66 5159
53 5198
54 5210
55 5221
56 5233
57 5244
58 5256

2017 67
Modul 1 Forecasting
Kelompok 4
Contoh perhitungan error pada metode DES :
Error: =
e3 = 4623 4131.36 = 490.77
Error2: 2
(et)2 = 490.772 = 240851.3
|Error|: | |
| | = |490.77| = 490.77

PE: = 100

46234131.36
PE4: = 100 = 0.1062
4623
Absolut PE: |PEt|

|PE4| = |0.1062| = 0.1062
+1 +1 2
Pembilang: = [ ]

+1 +1 2 4131.364623 2
Pembilang =[ ] =[ ] =
4622
1.13 102
+1 2
Penyebut: = [ ]

46234623 2
Penyebut = [ ] = 0.000000
4622
1
Galat: = 100

46223973
Galat = x 100| = 16.335
3973
|galat| = 16.335
Berikut ini merupakan tabel perhitungan error pada
metode DES.
Tabel 4. 26 Perhitungan Error DES

t Xt Ft error |error| error^2 |PE| Pembilang Penyebut |NF1|
1 3973
2 4622 16.3353

2017 68
Modul 1 Forecasting
Kelompok 4
Tabel 4.26 Perhitungan Error DES (Lanjutan)

Xt Ft error |error| error^2 |PE| Pembilang Penyebut |NF1|
t
4623 4131.36 491.644 491.644 241714 10.6347 0.01131 4.7E-08 0.02164
3
4 4531 4260.98 270.023 270.023 72912.5 5.95946 0.00341 0.0004 1.99005
5 4496 4343.84 152.16 152.16 23152.7 3.38435 0.00113 6E-05 0.77246
6 4622 4401.96 220.037 220.037 48416.2 4.76064 0.0024 0.00079 2.80249
7 4448 4478.91 -30.913 30.9134 955.637 0.69499 4.5E-05 0.00142 3.7646
8 4497 4497.91 -0.9067 0.90666 0.82203 0.02016 4.2E-08 0.00012 1.10162
9 4520 4523.76 -3.7615 3.76147 14.1486 0.08322 7E-07 2.6E-05 0.51145
10 4586 4548.91 37.0938 37.0938 1375.95 0.80885 6.7E-05 0.00021 1.46018
11 4598 4583.96 14.0364 14.0364 197.019 0.30527 9.4E-06 6.8E-06 0.26167
12 4698 4613.95 84.0528 84.0528 7064.88 1.78912 0.00033 0.00047 2.17486
13 4732 4661.22 70.7764 70.7764 5009.29 1.4957 0.00023 5.2E-05 0.72371
14 4628 4706.51 -78.512 78.5117 6164.08 1.69645 0.00028 0.00048 2.1978
15 4645 4716.43 -71.427 71.4269 5101.8 1.53772 0.00024 1.3E-05 0.36733
16 4675 4726.9 -51.902 51.9022 2693.84 1.11021 0.00012 4.2E-05 0.64586
17 4830 4741.08 88.9216 88.9216 7907.04 1.84103 0.00036 0.0011 3.31551
18 4831 4788.84 42.1568 42.1568 1777.2 0.87263 7.6E-05 4.3E-08 0.0207
19 4769 4826.52 -57.521 57.5208 3308.64 1.20614 0.00014 0.00016 1.28338
20 4771 4840.5 -69.505 69.5045 4830.88 1.45681 0.00021 1.8E-07 0.04194
21 4792 4850.71 -58.708 58.7081 3446.64 1.22513 0.00015 1.9E-05 0.44016
22 4806 4862.51 -56.512 56.5115 3193.55 1.17585 0.00014 8.5E-06 0.29215
23 4816 4873.98 -57.977 57.9771 3361.34 1.20384 0.00015 4.3E-06 0.20807
24 5019 4884.24 134.756 134.756 18159.2 2.68492 0.00078 0.00178 4.21512
25 5028 4940.67 87.3253 87.3253 7625.7 1.73678 0.0003 3.2E-06 0.17932
26 5040 4987.54 52.4619 52.4619 2752.25 1.04091 0.00011 5.7E-06 0.23866

2017 69
Modul 1 Forecasting
Kelompok 4

t
27 5044 5027.19 16.8054 16.8054 282.422 0.33318 1.1E-05 6.3E-07 0.07937
28 5046 5058.93 -12.932 12.9317 167.23 0.25628 6.6E-06 1.6E-07 0.03965
29 5054 5083.66 -29.663 29.6631 879.902 0.58692 3.5E-05 2.5E-06 0.15854
30 5127 5104.12 22.8804 22.8804 523.512 0.44627 2E-05 0.00021 1.4444
31 4901 5136.96 -235.96 235.955 55674.9 4.81443 0.00212 0.00194 4.40804
32 4906 5106.98 -200.98 200.975 40391.1 4.09652 0.00168 1E-06 0.10202
33 4976 5082.02 -106.02 106.019 11240 2.1306 0.00047 0.0002 1.42682
34 4988 5077.24 -89.24 89.2403 7963.83 1.7891 0.00032 5.8E-06 0.24116
35 5007 5074.98 -67.978 67.9777 4620.97 1.35765 0.00019 1.5E-05 0.38091
36 5176 5076.57 99.425 99.425 9885.34 1.92089 0.00039 0.00114 3.37527
37 5185 5118.01 66.9933 66.9933 4488.1 1.29206 0.00017 3E-06 0.17388
38 5072 5153 -81.005 81.0049 6561.8 1.5971 0.00024 0.00047 2.17936
39 5161 5152.89 8.11127 8.11127 65.7927 0.15716 2.6E-06 0.00031 1.75473
40 5315 5173.31 141.689 141.689 20075.7 2.66583 0.00075 0.00089 2.98392
41 5251 5226.45 24.5527 24.5527 602.834 0.46758 2.1E-05 0.00014 1.20414
42 5111 5253.11 -142.11 142.111 20195.6 2.7805 0.00073 0.00071 2.66616
43 5019 5239.47 -220.47 220.474 48609 4.3928 0.00186 0.00032 1.80004
44 4968 5204.6 -236.6 236.602 55980.4 4.76252 0.00222 0.0001 1.01614
45 4913 5162.51 -249.51 249.513 62256.6 5.07862 0.00252 0.00012 1.10709
46 4569 5113.75 -544.75 544.752 296754 11.9228 0.01229 0.0049 7.00183
47 4798 4989.24 -191.24 191.239 36572.2 3.9858 0.00175 0.00251 5.01204
48 5231 4942.87 288.125 288.125 83016.2 5.50804 0.00361 0.00814 9.02459
49 5241 5010.63 230.371 230.371 53070.8 4.39555 0.00194 3.7E-06 0.19117
50 5243 5068.58 174.42 174.42 30422.4 3.32672 0.00111 1.5E-07 0.03816

2017 70
Modul 1 Forecasting
Kelompok 4

t
51 5259 5116.31 142.692 142.692 20361.1 2.7133 0.00074 9.3E-06 0.30517
52 5278 5158.89 119.11 119.11 14187.3 2.25673 0.00051 1.3E-05 0.36129
53 5197.84
54 5209.5
55 5221.17
56 5232.83
57 5244.49
58 5256.15
Perhitungan error pada metode DES :
|| 6026,72
MAD = = = 120.534
50
2 1355984.39
MSE = = = 27119.7
50
|| 123.76%
MAPE = = = 2.4752%
50
+1+1 2
1
=1 ( )
UTHEIL = 1

+1+1 2 = 1.40211
=1 ( )

|1| 100
NF1 = = = 1.84
51
Berikut ini merupakan tabel rekap dari perhitungan error pada

metode DES.
Tabel 4. 27 Rekap Error DES
Nilai Error
Metode
MAD 120.534
MSE 27119.7

2017 71
Modul 1 Forecasting
Kelompok 4
Tabel 4.27 Rekap Error DES
Metode Nilai Error

MAPE 2.4752
UTHEIL 1.40211
NF1 1.84004
Grafik Peramalan
Berikut ini adalah grafik dari peramalan menggunakan metode DES
dengan excel.
DES
6000
5000
4000
Axis Title
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57
Xt Ft
Gambar 4. 19 Grafik Peramalan DES dengan Excel

2017 72
Modul 1 Forecasting
Kelompok 4
c. Single Exponential Smoothing with Trend (SEST)

Manual
Contoh perhitungan peramalan SEST :
a(2) = ( ) + (1 )(1 + 1 )
(1 4622) + (1 1)(3973 + 0) = 4622
b(5) = ( ( 1 )) + (1 )(1 )
(0 4622 3973) + (1 0)(0) = 0
F2 = a1 + b1 = 3973 + 0 = 3973
Contoh perhitungan error pada metode SEST :
Error: =
e3 = 4623 4622 = 1
Error2: 2
(et)2 = 12 = 1
|Error|: | |
| | = |1| = 1

PE: = 100

46223973
PE4: = 100 = 14.04
4622
Absolut PE: |PEt|

|PE4| = |14.04| = 14.04
+1 +1 2
Pembilang: = [ ]

+1 +1 2 46224623 2
Pembilang = [ ] =[ ] = 4.68 108
4622
+1 2
Penyebut: = [ ]

46234623 2
Penyebut = [ ] = 0.000000
4622
1
Galat: = 100

46223973
Galat = x 100| = 16.335
3973
|galat| = 16.335

2017 73
Modul 1 Forecasting
Kelompok 4

metode Single Exponential Smoothing with Trend (SEST).
Tabel 4. 28 Peramalan Manual Metode SEST

t X(t) a(t) b(t) F(t) error |error| error^2 |PE| Pembilang Penyebut |NF1|
1 3973 3973.00 0
2 4622 4622.00 0 3973 649.00 649 421201 14.04 2.67E-02 0.019716 16.3353
3 4623 4623.00 0 4622 1.00 1 1 0.02 4.68E-08 0.000000 0.0216
4 4531 4531.00 0 4623 -92.00 92 8464 2.03 3.96E-04 0.000412 1.9900

5 4496 4496.00 0 4531 -35.00 35 1225 0.78 5.97E-05 0.000061 0.7725
6 4622 4622.00 0 4496 126.00 126 15876 2.73 7.85E-04 0.000743 2.8025
7 4448 4448.00 0 4622 -174.00 174 30276 3.91 1.42E-03 0.001530 3.7646
8 4497 4497.00 0 4448 49.00 49 2401 1.09 1.21E-04 0.000119 1.1016
9 4520 4520.00 0 4497 23.00 23 529 0.51 2.62E-05 0.000026 0.5115

10 4586 4586.00 0 4520 66.00 66 4356 1.44 2.13E-04 0.000207 1.4602
11 4598 4598.00 0 4586 12.00 12 144 0.26 6.85E-06 0.000007 0.2617
12 4698 4698.00 0 4598 100.00 100 10000 2.13 4.73E-04 0.000453 2.1749
13 4732 4732.00 0 4698 34.00 34 1156 0.72 5.24E-05 0.000052 0.7237
14 4628 4628.00 0 4732 -104.00 104 10816 2.25 4.83E-04 0.000505 2.1978
15 4645 4645.00 0 4628 17.00 17 289 0.37 1.35E-05 0.000013 0.3673
16 4675 4675.00 0 4645 30.00 30 900 0.64 4.17E-05 0.000041 0.6459
17 4830 4830.00 0 4675 155.00 155 24025 3.21 1.10E-03 0.001030 3.3155
18 4831 4831.00 0 4830 1.00 1 1 0.02 4.29E-08 0.000000 0.0207
19 4769 4769.00 0 4831 -62.00 62 3844 1.30 1.65E-04 0.000169 1.2834
20 4771 4771.00 0 4769 2.00 2 4 0.04 1.76E-07 0.000000 0.0419
21 4792 4792.00 0 4771 21.00 21 441 0.44 1.94E-05 0.000019 0.4402
22 4806 4806.00 0 4792 14.00 14 196 0.29 8.54E-06 0.000008 0.2922

2017 74
Modul 1 Forecasting
Kelompok 4
Tabel 4.28 Peramalan Manual Metode SEST (Lanjutan)

23 4816 4816.00 0 4806 10.00 10 100 0.21 4.33E-06 0.000004 0.2081
24 5019 5019.00 0 4816 203.00 203 41209 4.04 1.78E-03 0.001636 4.2151
25 5028 5028.00 0 5019 9.00 9 81 0.18 3.22E-06 0.000003 0.1793
26 5040 5040.00 0 5028 12.00 12 144 0.24 5.70E-06 0.000006 0.2387
27 5044 5044.00 0 5040 4.00 4 16 0.08 6.30E-07 0.000001 0.0794
28 5046 5046.00 0 5044 2.00 2 4 0.04 1.57E-07 0.000000 0.0397
29 5054 5054.00 0 5046 8.00 8 64 0.16 2.51E-06 0.000003 0.1585
30 5127 5127.00 0 5054 73.00 73 5329 1.42 2.09E-04 0.000203 1.4444
31 4901 4901.00 0 5127 -226.00 226 51076 4.61 1.94E-03 0.002126 4.4080
32 4906 4906.00 0 4901 5.00 5 25 0.10 1.04E-06 0.000001 0.1020
33 4976 4976.00 0 4906 70.00 70 4900 1.41 2.04E-04 0.000198 1.4268
34 4988 4988.00 0 4976 12.00 12 144 0.24 5.82E-06 0.000006 0.2412

35 5007 5007.00 0 4988 19.00 19 361 0.38 1.45E-05 0.000014 0.3809
36 5176 5176.00 0 5007 169.00 169 28561 3.27 1.14E-03 0.001066 3.3753
37 5185 5185.00 0 5176 9.00 9 81 0.17 3.02E-06 0.000003 0.1739
38 5072 5072.00 0 5185 -113.00 113 12769 2.23 4.75E-04 0.000496 2.1794
39 5161 5161.00 0 5072 89.00 89 7921 1.72 3.08E-04 0.000297 1.7547

40 5315 5315.00 0 5161 154.00 154 23716 2.90 8.90E-04 0.000840 2.9839
41 5251 5251.00 0 5315 -64.00 64 4096 1.22 1.45E-04 0.000149 1.2041

42 5111 5111.00 0 5251 -140.00 140 19600 2.74 7.11E-04 0.000750 2.6662
43 5019 5019.00 0 5111 -92.00 92 8464 1.83 3.24E-04 0.000336 1.8000
44 4968 4968.00 0 5019 -51.00 51 2601 1.03 1.03E-04 0.000105 1.0161
45 4913 4913.00 0 4968 -55.00 55 3025 1.12 1.23E-04 0.000125 1.1071
46 4569 4569.00 0 4913 -344.00 344 118336 7.53 4.90E-03 0.005669 7.0018
47 4798 4798.00 0 4569 229.00 229 52441 4.77 2.51E-03 0.002278 5.0120

2017 75
Modul 1 Forecasting
Kelompok 4
Tabel 4.28 Peramalan Manual Metode SEST (Lanjutan)

48 5231 5231.00 0 4798 433.00 433 187489 8.28 8.14E-03 0.006852 9.0246
49 5241 5241.00 0 5231 10.00 10 100 0.19 3.65E-06 0.000004 0.1912

50 5243 5243.00 0 5241 2.00 2 4 0.04 1.46E-07 0.000000 0.0382
51 5259 5259.00 0 5243 16.00 16 256 0.30 9.31E-06 0.000009 0.3052
52 5278 5278.00 0 5259 19.00 19 361 0.36 1.31E-05 0.000013 0.3613
53 5278
54 5278
55 5278
56 5278
57 5278
58 5278
Perhitungan error pada metode SEST :
|| 4409
MAD = = = 86.4508
51
2 1109419
MSE = = = 21752.31
51
|| 91.021%
MAPE = = = 1.78%
51
+1+1 2
1
=1 ( )
UTHEIL = 1

+1+1 2 = 1.077107
=1 ( )

|1| 0.9384
NF1 = = = 1.84
51

2017 76
Modul 1 Forecasting
Kelompok 4
Berikut ini merupakan tabel rekap perhitungan error masing-masing

metode pada SEST.
Tabel 4. 29 Rekap Error SEST

Nilai Error
Metode
MAD 86.45098
MSE 21753.31
MAPE 1.78
UTHEIL 1.077107
NF1 1.8400
Software
Berikut ini merupakan hasil perhitungan software Winqsb pada
metode SEST.
Tabel 4. 30 Perhitungan Software Winqsb SEST

Month Actual Forecast Forecast CFE MAD MSE MAPE(%) Tracking
Data by DES Error Signal
1 3973
2 4622 3973 649 649 649 421201 14.04154 1
3 4623 4622 1 650 325 210601 7.031586 2
4 4531 4623 -92 558 247.3333 143222 5.364542 2.256065
5 4496 4531 -35 523 194.25 107722.8 4.218024 2.692407
6 4622 4496 126 649 180.6 89353.4 3.919638 3.593577
7 4448 4622 -174 475 179.5 79507.16 3.918344 2.64624
8 4497 4448 49 524 160.8571 68492 3.51424 3.257549
9 4520 4497 23 547 143.625 59996.63 3.138566 3.808529
10 4586 4520 66 613 135 53814.33 2.949743 4.540741
11 4598 4586 12 625 122.7 48447.3 2.680867 5.093725

2017 77
Modul 1 Forecasting
Kelompok 4
Tabel 4.30 Perhitungan Software Winqsb SEST (Lanjutan)

12 4698 4598 100 725 120.6364 44952.09 2.630658 6.009797
13 4732 4698 34 759 113.4167 41302.42 2.471312 6.692138
14 4628 4732 -104 655 112.6923 38957.31 2.454072 5.812287
15 4645 4628 17 672 105.8571 36195.29 2.304923 6.348178
16 4675 4645 30 702 100.8 33842.27 2.194042 6.964285
17 4830 4675 155 857 104.1875 33228.69 2.257484 8.225554
18 4831 4830 1 858 98.11765 31274.12 2.125909 8.744604
19 4769 4831 -62 796 96.11111 29750.22 2.080028 8.282081
20 4771 4769 2 798 91.1579 28184.63 1.972759 8.754042
21 4792 4771 21 819 87.65 26797.45 1.896033 9.343982
22 4806 4792 14 833 84.14286 25530.71 1.819617 9.89983
23 4816 4806 10 843 80.77273 24374.77 1.746346 10.43669
24 5019 4816 203 1046 86.08696 25106.7 1.846271 12.1505
25 5028 5019 9 1055 82.875 24063.96 1.776801 12.73001
26 5040 5028 12 1067 80.04 23107.16 1.715253 13.33083
27 5044 5040 4 1071 77.11539 22219.04 1.652332 13.88828
28 5046 5044 2 1073 74.33334 21396.26 1.592602 14.43498
29 5054 5046 8 1081 71.96429 20634.39 1.541377 15.02134
30 5127 5054 73 1154 72 20106.62 1.537324 16.02778
31 4901 5127 -226 928 77.13333 21138.93 1.63979 12.03112
32 4906 4901 5 933 74.80645 20457.84 1.590181 12.47219
33 4976 4906 70 1003 74.65625 19971.66 1.584449 13.43491
34 4988 4976 12 1015 72.75758 19370.82 1.543726 13.95044

2017 78
Modul 1 Forecasting
Kelompok 4

35 5007 4988 19 1034 71.17647 18811.71 1.509483 14.52727
36 5176 5007 169 1203 73.97143 19090.26 1.559642 16.26304
37 5185 5176 9 1212 72.16666 18562.22 1.52114 16.79446
38 5072 5185 -113 1099 73.27027 18405.65 1.540242 14.99926
39 5161 5072 89 1188 73.68421 18129.74 1.545091 16.12286
40 5315 5161 154 1342 75.74359 18272.97 1.579767 17.71767
41 5251 5315 -64 1278 75.45 17918.55 1.570743 16.93837
42 5111 5251 -140 1138 77.02439 17959.56 1.599242 14.77454
43 5019 5111 -92 1046 77.38095 17733.48 1.604808 13.51754
44 4968 5019 -51 995 76.76744 17381.56 1.591361 12.96122
45 4913 4968 -55 940 76.27273 17055.27 1.580636 12.32419
46 4569 4913 -344 596 82.22222 19305.96 1.712822 7.248649
47 4798 4569 229 825 85.41304 20026.28 1.779344 9.658947
48 5231 4798 433 1258 92.80851 23589.32 1.917604 13.55479
49 5241 5231 10 1268 91.08334 23099.96 1.881629 13.92132
50 5243 5241 2 1270 89.2653 22628.61 1.844007 14.22725
51 5259 5243 16 1286 87.8 22181.16 1.813211 14.64692
52 5278 5259 19 1305 86.45098 21753.31 1.784717 15.09526
53 5278
54 5278
55 5278
56 5278
57 5278

2017 79
Modul 1 Forecasting
Kelompok 4

58 5278
CFE 1305
MAD 86.45098
MSE 21753.31
MAPE 1.784717
Trk.Signal 15.09526
R-square
Alpha=1
Beta=0
F(0)=3973
T(0)=0

2017 80
Modul 1 Forecasting
Kelompok 4
Grafik Peramalan
Berikut ini adalah grafik dari peramalan menggunakan metode SEST
dengan excel.
SEST
6000.00
5000.00
4000.00
3000.00
2000.00
1000.00
0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57
Xt Ft
Gambar 4. 20 Grafik Peramalan SEST Excel

Berikut ini adalah grafik dari peramalan menggunakan metode SEST
dengan Winqsb.
Gambar 4. 21 Grafik Peramalan SEST Winqsb

2017 81
Modul 1 Forecasting
Kelompok 4
d. Double Exponential Smoothing with Trend (DEST)

Manual
Contoh perhitungan peramalan DEST :
a(2) = ( ) + (1 )(1 )
(0.97 4622) + (1 0.97)(3973) = 4602.53
b(2) = ( ()) + (1 )(1 )
(0.97 4602.53) + (1 0.97)(3973) = 4583.64

F3 = (2 1 1 ) + (1) (1 1 )
0.97
= (2 3973 3973) + (10.97) (3973 3973) = 3973
Contoh perhitungan error pada metode DEST :
Error: =
E2 = 4622 3973 = 649
Error2: 2
(et)2 = 6492 = 421201
|Error|: | |
| | = |649| = 649

PE: = 100

46223973
PE2: = 100 = 14.04
4622
Absolut PE: |PEt|

|PE4| = |14.04| = 14.04
+1 +1 2
Pembilang: = [ ]

+1 +1 2 39734622 2
Pembilang = [ ] =[ ] = 2.67 102
3973
+1 2
Penyebut: = [ ]

46223973 2
Penyebut = [ ] = 0.019716
4622
1
Galat: = 100


2017 82
Modul 1 Forecasting
Kelompok 4
46223973
Galat = x 100| = 16.335
3973
|galat| = 16.335

metode Double Exponential Smoothing with Trend (DEST).
Tabel 4. 31 Perhitungan Manual DEST

1 3973 3973.00 3973.00

2 4622 4602.53 4583.64 3973.00 -649.00 649 421201 14.04 2.67E-02 0.019716 16.3353
3 4623 4622.39 4621.22 5232.06 609.06 609.06 370954.1 13.17 1.74E-02 0.000000 0.0216
4 4531 4533.74 4536.37 4661.13 130.13 130.13 16933.22 2.87 7.92E-04 0.000412 1.9900
5 4496 4497.13 4498.31 4446.26 -49.74 49.74 2474.117 1.11 1.21E-04 0.000061 0.7725
6 4622 4618.25 4614.66 4457.90 -164.10 164.1 26929.32 3.55 1.33E-03 0.000743 2.8025
7 4448 4453.11 4457.95 4738.20 290.20 290.2 84215.27 6.52 3.94E-03 0.001530 3.7646
8 4497 4495.68 4494.55 4291.56 -205.44 205.44 42205.75 4.57 2.13E-03 0.000119 1.1016
9 4520 4519.27 4518.53 4533.41 13.41 13.412 179.8924 0.30 8.90E-06 0.000026 0.5115
10 4586 4584.00 4582.03 4543.99 -42.01 42.01 1764.87 0.92 8.64E-05 0.000207 1.4602
11 4598 4597.58 4597.11 4649.47 51.47 51.467 2648.884 1.12 1.26E-04 0.000007 0.2617
12 4698 4694.99 4692.05 4613.13 -84.87 84.874 7203.622 1.81 3.41E-04 0.000453 2.1749
13 4732 4730.89 4729.72 4792.86 60.86 60.861 3704.089 1.29 1.68E-04 0.000052 0.7237
14 4628 4631.09 4634.05 4769.73 141.73 141.73 20086.84 3.06 8.97E-04 0.000505 2.1978
15 4645 4644.58 4644.27 4532.45 -112.55 112.55 12667.75 2.42 5.91E-04 0.000013 0.3673
16 4675 4674.09 4673.19 4655.12 -19.88 19.881 395.2391 0.43 1.83E-05 0.000041 0.6459
17 4830 4825.32 4820.76 4703.91 -126.09 126.09 15899.08 2.61 7.27E-04 0.001030 3.3155
18 4831 4830.83 4830.53 4977.45 146.45 146.45 21448.31 3.03 9.19E-04 0.000000 0.0207
19 4769 4770.85 4772.65 4840.90 71.90 71.901 5169.7 1.51 2.22E-04 0.000169 1.2834
20 4771 4771.00 4771.05 4711.18 -59.82 59.818 3578.166 1.25 1.57E-04 0.000000 0.0419

2017 83
Modul 1 Forecasting
Kelompok 4
Tabel 4.31 Perhitungan Manual DEST (Lanjutan)
21 4792 4791.37 4790.76 4769.35 -22.65 22.654 513.1936 0.47 2.25E-05 0.000019 0.4402
22 4806 4805.56 4805.12 4811.69 5.69 5.6946 32.42858 0.12 1.41E-06 0.000008 0.2922
23 4816 4815.69 4815.37 4820.36 4.36 4.3621 19.02761 0.09 8.24E-07 0.000004 0.2081
24 5019 5012.90 5006.97 4826.26 -192.74 192.74 37150.02 3.84 1.60E-03 0.001636 4.2151
25 5028 5027.55 5026.93 5210.43 182.43 182.43 33281.24 3.63 1.32E-03 0.000003 0.1793
26 5040 5039.63 5039.25 5048.12 8.12 8.1194 65.92396 0.16 2.61E-06 0.000006 0.2387
27 5044 5043.87 5043.73 5052.32 8.32 8.323 69.27188 0.17 2.73E-06 0.000001 0.0794
28 5046 5045.94 5045.87 5048.49 2.49 2.4921 6.210418 0.05 2.44E-07 0.000000 0.0397
29 5054 5053.76 5053.52 5048.14 -5.86 5.858 34.31577 0.12 1.35E-06 0.000003 0.1585
30 5127 5124.80 5122.66 5061.65 -65.35 65.354 4271.109 1.27 1.67E-04 0.000203 1.4444
31 4901 4907.71 4914.16 5196.08 295.08 295.08 87074.6 6.02 3.31E-03 0.002126 4.4080
32 4906 4906.05 4906.29 4692.76 -213.24 213.24 45469.65 4.35 1.89E-03 0.000001 0.1020
33 4976 4973.90 4971.87 4897.94 -78.06 78.06 6093.324 1.57 2.53E-04 0.000198 1.4268
34 4988 4987.58 4987.11 5041.51 53.51 53.508 2863.141 1.07 1.16E-04 0.000006 0.2412
35 5007 5006.42 5005.84 5003.28 -3.72 3.7192 13.83279 0.07 5.56E-07 0.000014 0.3809
36 5176 5170.91 5165.96 5025.73 -150.27 150.27 22581.47 2.90 9.01E-04 0.001066 3.3753
37 5185 5184.58 5184.02 5335.99 150.99 150.99 22797.09 2.91 8.51E-04 0.000003 0.1739
38 5072 5075.38 5078.64 5203.19 131.19 131.19 17211.99 2.59 6.40E-04 0.000496 2.1794
39 5161 5158.43 5156.04 4966.74 -194.26 194.26 37738.59 3.76 1.47E-03 0.000297 1.7547
40 5315 5310.30 5305.67 5238.23 -76.77 76.774 5894.236 1.44 2.21E-04 0.000840 2.9839
41 5251 5252.78 5254.37 5464.57 213.57 213.57 45611.46 4.07 1.61E-03 0.000149 1.2041
42 5111 5115.25 5119.43 5199.88 88.88 88.883 7900.223 1.74 2.87E-04 0.000750 2.6662
43 5019 5021.89 5024.81 4976.14 -42.86 42.859 1836.913 0.85 7.03E-05 0.000336 1.8000
44 4968 4969.62 4971.27 4924.35 -43.65 43.652 1905.458 0.88 7.56E-05 0.000105 1.0161
45 4913 4914.70 4916.40 4914.42 1.42 1.4195 2.014925 0.03 8.16E-08 0.000125 1.1071

2017 84
Modul 1 Forecasting
Kelompok 4
Tabel 4.31 Perhitungan Manual DEST (Lanjutan)
46 4569 4579.37 4589.48 4858.12 289.12 289.12 83592.95 6.33 3.46E-03 0.005669 7.0018
47 4798 4791.44 4785.38 4242.35 -555.65 555.65 308751.2 11.58 1.48E-02 0.002278 5.0120
48 5231 5217.81 5204.84 4993.40 -237.60 237.6 56453.49 4.54 2.45E-03 0.006852 9.0246
49 5241 5240.30 5239.24 5650.24 409.24 409.24 167480.8 7.81 6.12E-03 0.000004 0.1912
50 5243 5242.92 5242.81 5275.77 32.77 32.768 1073.774 0.62 3.91E-05 0.000000 0.0382
51 5259 5258.52 5258.05 5246.60 -12.40 12.402 153.8148 0.24 5.60E-06 0.000009 0.3052
52 5278 5277.42 5276.83 5274.23 -3.77 3.7736 14.24024 0.07 5.15E-07 0.000013 0.3613
53 5296.78
54 5315.57
55 5334.36
56 5353.15
57 5371.94
58 5390.73
Perhitungan error pada metode DEST :
|| 6804.792
MAD = = = 133.4273
51
2 2057616
MSE = = = 40345.41
51
|| 140.9462%
MAPE = = = 2.7637%
51
+1+1 2
1
=1 ( )
UTHEIL =
+1+1 = 1.426716
1
=1 ( )2

|1| 0.9384
NF1 = = = 1.84
51

2017 85
Modul 1 Forecasting
Kelompok 4
Berikut ini merupakan tabel rekap dari perhitungan error masing-

masing metode pada DEST.
Tabel 4. 32 Rekap Error DEST

Nilai error
Metode
MAE 133.4273
MSE 40345.41
MAPE 276.37%
UTHEIL 1.426716
NF1 1.8400
Software
Berikut ini perhitungan software winqsb untuk metode DEST.
Tabel 4. 33 Perhitungan Software Winqsb DEST

Data By DEST Error Signal
1 3973
2 4622 3973.00 649.00 649.00 649.00 421201 14.04154 1
3 4623 5232.06 609.06 39.94 629.03 396074.6 13.608 0.0635025
4 4531 4661.12 130.12 90.18 462.73 269693.7 10.02927 -0.1948837
5 4496 4446.26 49.74 40.44 359.48 202888.8 7.798548 -0.1124834
6 4622 4457.89 164.11 123.67 320.41 167697.5 6.948961 0.3859912
7 4448 4738.19 290.19 166.52 315.37 153783.1 6.878152 -0.5280097
8 4497 4291.55 205.45 38.93 299.67 137844 6.548213 0.1299114
9 4520 4533.41 13.41 25.52 263.89 120636 5.766774 9.670509E-02
10 4586 4543.99 42.01 67.53 239.23 107428 5.227796 0.282259
11 4598 4649.46 51.46 16.06 220.45 96950.06 4.816936 0.0728718
12 4698 4613.12 84.88 100.94 208.13 88791.33 4.543273 0.4849932

2017 86
Modul 1 Forecasting
Kelompok 4
Tabel 4.33 Perhitungan Software Winqsb DEST (Lanjutan)

13 4732 4792.86 60.86 40.09 195.86 81700.67 4.271837 0.2046697
14 4628 4769.72 141.72 101.64 191.69 76961.05 4.178798 -0.5302143
15 4645 4532.45 112.55 10.91 186.04 72368.59 4.05338 5.863124E-02
16 4675 4655.11 19.89 30.79 174.96 67570.39 3.811513 0.1760059
17 4830 4703.91 126.09 156.89 171.91 64340.98 3.73646 0.9126332
18 4831 4977.46 146.46 10.43 170.41 61817.93 3.694996 6.122892E-02
19 4769 4840.90 71.90 61.47 164.94 58670.84 3.573482 -0.3726859
20 4771 4711.19 59.81 1.66 159.41 55771.19 3.451387 -0.0103963
21 4792 4769.35 22.65 20.99 152.57 53008.28 3.302449 0.1375863
22 4806 4811.70 5.70 15.29 145.57 50485.62 3.150836 0.105053
23 4816 4820.36 4.36 10.94 139.15 48191.68 3.011727 7.859598E-02
24 5019 4826.25 192.75 203.69 141.49 47711.72 3.047757 1.439636
25 5028 5210.43 182.43 21.26 143.19 47110.38 3.071943 0.1484748
26 5040 5048.12 8.12 13.14 137.79 45228.6 2.955509 9.536834E-02
27 5044 5052.32 8.32 4.82 132.81 43491.7 2.848181 3.628414E-02
28 5046 5048.49 2.49 2.33 127.98 41881.13 2.744522 1.818721E-02
29 5054 5048.15 5.85 8.18 123.62 40386.6 2.650637 6.615601E-02
30 5127 5061.65 65.35 73.53 121.61 39141.21 2.603187 0.6045997
31 4901 5196.09 295.09 221.57 127.39 40739.14 2.717116 -1.739224
32 4906 4692.76 213.24 8.32 130.16 40891.85 2.76968 -6.393355E-02
33 4976 4897.95 78.05 69.73 128.53 39804.37 2.732146 0.542519
34 4988 5041.51 53.51 16.22 126.26 38684.95 2.681864 0.1284657

2017 87
Modul 1 Forecasting
Kelompok 4

35 5007 5003.28 3.72 19.94 122.66 37547.56 2.605168 0.162539
36 5176 5025.72 150.28 170.22 123.45 37120.03 2.613689 1.378868
37 5185 5335.98 150.98 19.23 124.21 36722.14 2.621974 0.1548288
38 5072 5203.20 131.20 111.97 124.40 36194.86 2.62102 -0.9000441
39 5161 4966.74 194.27 82.30 126.24 36235.49 2.651101 0.6519396
40 5315 5238.23 76.77 159.07 124.97 35457.49 2.620159 1.272846
41 5251 5464.57 213.57 54.50 127.18 35711.33 2.656334 -0.4285102
42 5111 5199.88 88.88 143.38 126.25 35033 2.633961 -1.135696
43 5019 4976.14 42.86 100.52 124.27 34242.62 2.591579 -0.8089514
44 4968 4924.35 43.65 56.87 122.39 33490.6 2.551745 -0.4646575
45 4913 4914.43 1.42 58.29 119.64 32729.49 2.49441 -0.4872437
46 4569 4858.12 289.12 347.42 123.41 33859.77 2.5796 -2.815206
47 4798 4242.34 555.66 208.24 132.80 39835.76 2.775282 1.568021
48 5231 4993.39 237.61 445.85 135.03 40189.39 2.812878 3.301728
49 5241 5650.25 409.25 36.59 140.75 42841.43 2.916957 0.2599968
50 5243 5275.77 32.77 3.82 138.54 41989.03 2.870182 2.760306E-02
51 5259 5246.60 12.40 16.23 136.02 41152.32 2.817495 0.1192986
52 5278 5274.22 3.78 20.00 133.43 40345.7 2.763653 0.1499162
53 5296.78
54 5315.57
55 5334.36
56 5353.15
57 5371.94

2017 88
Modul 1 Forecasting
Kelompok 4

58 5390.72
CFE 20.00293
MAD 133.4274
MSE 40345.7
MAPE 2.763653
Trk.Signal 0.1499162
R-square
Alpha=0.97
F(0)=3973
F'(0)=3973
Grafik Peramalan
Berikut ini adalah grafik peramalan dengan menggunakan metode
DEST pad excel.
DEST
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57
Xt Ft
Gambar 4. 22 Grafik Peramalan DEST Excel

2017 89
Modul 1 Forecasting
Kelompok 4
Berikut ini adalah grafik peramalan dengan menggunakan metode

DEST pada winqsb.
Gambar 4. 23 Grafik Peramalan DEST Winqsb
e. ARIMA
A. Uji Stasioneritas (Uji Augmengted Dickey Fuller)
evel 0
1. H0 = data peramalan bersifat tidak stasioner
2. H1 = data peramalan bersifat stasioner
3. = 0,05
4. Daerah kritis =
|t-statistic ADF| > |t-statistic McKinnon|
P-Value <
5. Perhitungan:

2017 90
Modul 1 Forecasting
Kelompok 4
Gambar 4. 24 Perhitungan Uji Stasioner Level 0
6. Keputusan: Jangan tolak H0, Karena |-3.42| < |-3.15| dan 0.06 > 0.05
7. Kesimpulan: Data peramalan tidak bersifat stasioner
Level 1
1. H0 = data peramalan tidak bersifat stasioner
2. H1 = data peramalan bersifat stasioner
3. = 0,05
4. Daerah kritis =
|t-statistic ADF| > |t-statistic McKinnon|
P-Value <
5. Perhitungan:

2017 91
Modul 1 Forecasting
Kelompok 4
Gambar 4. 25 Perhitungan Uji Stasioner Level 1
6. Keputusan: Tolak H0, Karena |-6.85| > |-4.15| dan 0.00 < 0.05
7. Kesimpulan: Data peramalan bersifat stasioner

2017 92
Modul 1 Forecasting
Kelompok 4
B. Identifikasi ACF (Autocorrelation Fucntion) Dan Pacf (Partial Auto

Correlation Function )
Level 1
Gambar 4. 26 Uji Auto Korelasi
Dari hasil identifikasi AC dan PAC didapatkan bahwa dengan memilih 1st
Difference dari output eviews, model demand teruji stasioner dengan memilih
1st Difference. Setelah dibuat Correlogram, dapat dilihat bahwa lag AC
menurun secara signifkan pada pada lag 6 , serta penurunan PAC secara
signifikan terjadi pada lag 4 dan lag 6 Oleh karena itu, kita dapat menduga ordo
p adalah 1 atau 2 dan ordo q adalah 1 atau 2 dengan d =1.
C. Estimasi Parameter
Uji hipotesis untuk parameter MA2 (0,1,2)
1. H01 : Parameter C bersifat tidak signifikan
H11 : Parameter C bersifat signifikan

2017 93
Modul 1 Forecasting
Kelompok 4
2. H02 : 1 tidak bersifat signifikan

H12 : 1 bersifat signifikan
4. : 0,05
5. Daerah kritis : p-value >
6. Perhitungan :
Gambar 4. 27 Uji ARIMA MA(2)
7. Keputusan:
Tolak H01 karena 0.0000 < 0.05
8. Kesimpulan: Parameter C bersifat signifikan, parameter MA(1) bersifat
signifikan, parameter MA(2) bersifat signifikan

2017 94
Modul 1 Forecasting
Kelompok 4
Uji hipotesis untuk parameter AR2MA2 (2,1,2)

6. : 0,05
8. Perhitungan :
Gambar 4. 28 Uji ARIMA AR(2) MA(2)

2017 95
Modul 1 Forecasting
Kelompok 4
9. Keputusan:
Jangan tolak H01 karena 0.3546 > 0.05
Tolak H04 karena 0.0012 > 0.05
Tolak H05 karena 0.0059 > 0.05
10. Kesimpulan: Parameter C tidak signifikan, parameter AR(1) bersifat
signifikan, parameter AR(2) bersifat tidak signifikan, parameter MA(1)
bersifat signifikan, dan parameter MA(2) bersifat signifikan.
Uji hipotesis untuk parameter AR1MA1 (1,1,1)

4. : 0,05
6. Perhitungan :

2017 96
Modul 1 Forecasting
Kelompok 4
Gambar 4. 29 Uji ARIMA AR(1) MA(1)
7. Keputusan:
Jangan tolak H02 karena 0.7212 < 0.05
8. Kesimpulan: Parameter C tidak signifikan, parameter AR(1) bersifat tidak
signifikan, dan parameter AR(2) bersifat tidak signifikan

2017 97
Modul 1 Forecasting
Kelompok 4
D. Pemilihan Model ARIMA

Berdasarkan hasil estimasi parameter yang dilakukan, didapatkan metode
terpilih yang memiliki probabilitas kurang dari (0,05). Model ARIMA yang terpilih
adalah MA2. Berikut adalah tabel rekap perbandingan model arima :
Tabel 4. 34 Model ARIMA yang terpilih
Parameter MA2 AR2MA2 AR1MA1
C Sig. X X
1 - Sig. X
2 - X X
1 Sig. Sig. -
2 Sig. Sig. -
AIC 12.47938 11.99657 12.46811
SC 12.59302 12.18961 12.58283
Adj. R 0.324487 0.006996 -0.035260
SSR 697795.0 119.8276 674857.1

2017 98
Modul 1 Forecasting
Kelompok 4
E. Uji Residual
a. Uji Correlogram
Berikut adalah hasil uji residual menggunakan software Eviews:
Gambar 4. 30 Uji Residual
Berdasarkan hasil uji correlogram diatas, tidak terdapat lags yang melebihi batas
AC dan PAC sehingga model MA2 dapat digunakan.
b. Uji Kenormalan
1. Ho = residual berdistribusi normal
2. H1 = residual tidak berdistribusi normal
3. = 0.05
4. Daerah kritis = p-value < 0.05
5. Perhitungan

2017 99
Modul 1 Forecasting
Kelompok 4
Gambar 4. 31 Uji Kenormalan Residual
6. Keputusan : Tolak Ho, karena p-value < 0.05 (0.000000 < 0.05)
7. Kesimpulan : Residual tidak berdistribusi normal
c. Uji Heteroskesdatisitas
1. Ho = residual tidak berheteroskedastisitas
2. H1 = residual berheteroskedastisitas
3. = 0.05
4. Daerah kritis = p-value < 0.05
5. Perhitungan

2017 100
Modul 1 Forecasting
Kelompok 4
Gambar 4. 32 Uji Heteroskesdatisitas Residual
6. Keputusan : Jangan tolak Ho, karena p-value > 0.05

7. Kesimpulan : Residual bersifat heterokesdatisitas
F. Hasil Peramalan
Berikut adalah hasil peramalan dengan mnggunakan software Eviews :
Tabel 4. 35 Hasil Forecast ARIMA Ouput Eviews
T Xt Eviews Ft
1 3973
2 4622 377.2054 4350.205
3 4623 215.431 4837.431
4 4531 13.94998 4636.95
5 4496 13.94998 4544.95
6 4622 13.94998 4509.95
7 4448 13.94998 4635.95
8 4497 13.94998 4461.95
9 4520 13.94998 4510.95
10 4586 13.94998 4533.95

2017 101
Modul 1 Forecasting
Kelompok 4
Tabel 4.35 Hasil Peramalan ARIMA output Eviews (Lanjutan)

T Xt Eviews Ft
11 4598 13.94998 4599.95
12 4698 13.94998 4611.95
13 4732 13.94998 4711.95
14 4628 13.94998 4745.95
15 4645 13.94998 4641.95
16 4675 13.94998 4658.95
17 4830 13.94998 4688.95
18 4831 13.94998 4843.95
19 4769 13.94998 4844.95
20 4771 13.94998 4782.95
21 4792 13.94998 4784.95
22 4806 13.94998 4805.95
23 4816 13.94998 4819.95
24 5019 13.94998 4829.95
25 5028 13.94998 5032.95
26 5040 13.94998 5041.95
27 5044 13.94998 5053.95
28 5046 13.94998 5057.95
29 5054 13.94998 5059.95
30 5127 13.94998 5067.95
31 4901 13.94998 5140.95
32 4906 13.94998 4914.95
33 4976 13.94998 4919.95
34 4988 13.94998 4989.95
35 5007 13.94998 5001.95
36 5176 13.94998 5020.95
37 5185 13.94998 5189.95
38 5072 13.94998 5198.95
39 5161 13.94998 5085.95
40 5315 13.94998 5174.95
41 5251 13.94998 5328.95
42 5111 13.94998 5264.95
43 5019 13.94998 5124.95
44 4968 13.94998 5032.95
45 4913 13.94998 4981.95
46 4569 13.94998 4926.95
47 4798 13.94998 4582.95

2017 102
Modul 1 Forecasting
Kelompok 4
Tabel 4.35 Hasil Peramalan ARIMA output Eviews (Lanjutan)

T Xt Eviews Ft
48 5231 13.94998 4811.95
49 5241 13.94998 5244.95
50 5243 13.94998 5254.95
51 5259 13.94998 5256.95
52 5278 13.94998 5272.95
53 13.94998 5291.95
54 13.94998 5305.9
55 13.94998 5319.85
56 13.94998 5333.8
57 13.94998 5347.75
58 13.94998 5361.7
Gambar 4. 33 Grafik Peramalan ARIMA

2017 103
Modul 1 Forecasting
Kelompok 4
G. Perhitungan Manual Error ARIMA

Berikut adalah perhitungan manual error ARIMA:
Tabel 4. 36 Perhitungan Manual Error ARIMA
T Xt Eviews Ft error |error| error^2 |PE| Pembilang Penyebut |NF1|
1 3973
2 4622 377.21 4350.205 271.79 271.79 73872.3 5.88 4.68E-03 0.026684 16.3353
3 4623 215.43 4837.431 -214.43 214.43 45980.7 4.64 2.15E-03 0.000000 0.0216
4 4531 13.95 4636.95 -105.95 105.95 11225.4 2.34 5.25E-04 0.000396 1.9900
5 4496 13.95 4544.95 -48.95 48.95 2396.1 1.09 1.17E-04 0.000060 0.7725
6 4622 13.95 4509.95 112.05 112.05 12555.2 2.42 6.21E-04 0.000785 2.8025
7 4448 13.95 4635.95 -187.95 187.95 35325.2 4.23 1.65E-03 0.001417 3.7646
8 4497 13.95 4461.95 35.05 35.05 1228.5 0.78 6.21E-05 0.000121 1.1016
9 4520 13.95 4510.95 9.05 9.05 81.9029 0.20 4.05E-06 0.000026 0.5115
10 4586 13.95 4533.95 52.05 52.05 2709.2 1.13 1.33E-04 0.000213 1.4602
11 4598 13.95 4599.95 -1.95 1.95 3.80241 0.04 1.81E-07 0.000007 0.2617
12 4698 13.95 4611.95 86.05 86.05 7404.61 1.83 3.50E-04 0.000473 2.1749
13 4732 13.95 4711.95 20.05 20.05 402.003 0.42 1.82E-05 0.000052 0.7237
14 4628 13.95 4745.95 -117.95 117.95 13912.2 2.55 6.21E-04 0.000483 2.1978
15 4645 13.95 4641.95 3.05 3.05 9.30265 0.07 4.34E-07 0.000013 0.3673
16 4675 13.95 4658.95 16.05 16.05 257.603 0.34 1.19E-05 0.000042 0.6459
17 4830 13.95 4688.95 141.05 141.05 19895.1 2.92 9.10E-04 0.001099 3.3155
18 4831 13.95 4843.95 -12.95 12.95 167.702 0.27 7.19E-06 0.000000 0.0207
19 4769 13.95 4844.95 -75.95 75.95 5768.4 1.59 2.47E-04 0.000165 1.2834
20 4771 13.95 4782.95 -11.95 11.95 142.802 0.25 6.28E-06 0.000000 0.0419
21 4792 13.95 4784.95 7.05 7.05 49.7028 0.15 2.18E-06 0.000019 0.4402
22 4806 13.95 4805.95 0.05 0.05 0.0025 0.00 1.09E-10 0.000009 0.2922
23 4816 13.95 4819.95 -3.95 3.95 15.6023 0.08 6.75E-07 0.000004 0.2081
24 5019 13.95 4829.95 189.05 189.05 35739.9 3.77 1.54E-03 0.001777 4.2151
25 5028 13.95 5032.95 -4.95 4.95 24.5023 0.10 9.73E-07 0.000003 0.1793
26 5040 13.95 5041.95 -1.95 1.95 3.80241 0.04 1.50E-07 0.000006 0.2387
27 5044 13.95 5053.95 -9.95 9.95 99.002 0.20 3.90E-06 0.000001 0.0794
28 5046 13.95 5057.95 -11.95 11.95 142.802 0.24 5.61E-06 0.000000 0.0397
29 5054 13.95 5059.95 -5.95 5.95 35.4022 0.12 1.39E-06 0.000003 0.1585
30 5127 13.95 5067.95 59.05 59.05 3486.91 1.15 1.37E-04 0.000209 1.4444
31 4901 13.95 5140.95 -239.95 239.95 57576 4.90 2.19E-03 0.001943 4.4080
32 4906 13.95 4914.95 -8.95 8.95 80.1021 0.18 3.33E-06 0.000001 0.1020
33 4976 13.95 4919.95 56.05 56.05 3141.61 1.13 1.31E-04 0.000204 1.4268
34 4988 13.95 4989.95 -1.95 1.95 3.80241 0.04 1.54E-07 0.000006 0.2412
35 5007 13.95 5001.95 5.05 5.05 25.5027 0.10 1.03E-06 0.000015 0.3809

2017 104
Modul 1 Forecasting
Kelompok 4
Tabel 4.36 Perhitungan Manual Error ARIMA (Lanjutan)

T Xt Eviews Ft error |error| error^2 |PE| Pembilang Penyebut |NF1|
36 5176 13.95 5020.95 155.05 155.05 24040.5 3.00 9.59E-04 0.001139 3.3753
37 5185 13.95 5189.95 -4.95 4.95 24.5023 0.10 9.15E-07 0.000003 0.1739
38 5072 13.95 5198.95 -126.95 126.95 16116.3 2.50 5.99E-04 0.000475 2.1794
39 5161 13.95 5085.95 75.05 75.05 5632.51 1.45 2.19E-04 0.000308 1.7547
40 5315 13.95 5174.95 140.05 140.05 19614 2.63 7.36E-04 0.000890 2.9839
41 5251 13.95 5328.95 -77.95 77.95 6076.2 1.48 2.15E-04 0.000145 1.2041
42 5111 13.95 5264.95 -153.95 153.95 23700.6 3.01 8.60E-04 0.000711 2.6662
43 5019 13.95 5124.95 -105.95 105.95 11225.4 2.11 4.30E-04 0.000324 1.8000
44 4968 13.95 5032.95 -64.95 64.95 4218.5 1.31 1.67E-04 0.000103 1.0161
45 4913 13.95 4981.95 -68.95 68.95 4754.1 1.40 1.93E-04 0.000123 1.1071
46 4569 13.95 4926.95 -357.95 357.95 128128 7.83 5.31E-03 0.004903 7.0018
47 4798 13.95 4582.95 215.05 215.05 46246.5 4.48 2.22E-03 0.002512 5.0120
48 5231 13.95 4811.95 419.05 419.05 175603 8.01 7.63E-03 0.008144 9.0246
49 5241 13.95 5244.95 -3.95 3.95 15.6023 0.08 5.70E-07 0.000004 0.1912
50 5243 13.95 5254.95 -11.95 11.95 142.802 0.23 5.20E-06 0.000000 0.0382
51 5259 13.95 5256.95 2.05 2.05 4.2026 0.04 1.53E-07 0.000009 0.3052
52 5278 13.95 5272.95 5.05 5.05 25.5027 0.10 9.22E-07 0.000013 0.3613
53 13.95 5291.95
54 13.95 5305.9
55 13.95 5319.85
56 13.95 5333.8
57 13.95 5347.75
58 13.95 5361.7
Perhitungan error pada metode ARIMA :
|| 4119
MAD = = = 70.764
51
2 799331
MSE = = = 15673.16
51
|| 85%
MAPE = = = 1.6656%
51
+1+1 2
1
=1 ( )
UTHEIL =
+1+1 = 0.797871
1
=1 ( )2

|1| 100
NF1 = = = 1.84
51

2017 105
Modul 1 Forecasting
Kelompok 4
Berikut merupakan tabel rekap perhitungan error arima pada masing-

masing metode.
Tabel 4. 37 Rekap Errror ARIMA
Nilai
Metode Error
MAE 80.76423
MSE 15673.16
MAPE 1.6656
UTHEIL 0.797871
NF1 1.8400
Grafik Peramalan
Grafik dibawah menunjukkan perbandingan antara demand (permintaan)
dengan hasil peramalan yang ada, untuk mengetahui peramalan produksi yang akan
datang menggunakan Excel.
Gambar 4. 34 Hasil Peramalan ARIMA

2017 106
Modul 1 Forecasting
Kelompok 4
BAB V
ANALISIS
5.1 Analisis Pola Data Konstan

5.1.1 Analisis Semua Metode Peramalan
a. Metode 3SMA
Metode perhitungan dengan metode peramalan SMA (Single Moving
Average) menghasilkan hasil peramalan dengan menghitung rata rata permintaan
sesuai dengan periode pergerakan tertentu, pada kasus ini menggunakan T = 3.
Dengan T = 3, maka hasil peramalan merupakan rata rata permintaan dari tiga
periode sebelumnya, misalkan hasil peramalan pada periode 4 di dapat dari rata
rata data demand periode 1 hingga 3. Hasil peramalan dari periode 1 sampai 53
berbeda beda sedangkan hasil peramalan periode 53 hingga periode 58 bernilai
konstan yang didapat dari hasil peramalan pada periode 53 yakni 6413. Setelah
melakukan perhitungan hasil peramalan selanjutnya dilakukan perhitungan error
yaitu dengan mencari selisih antara permintaan data aktual dengan hasil peramalan
sehingga dapat diketahui seberapa besar perbedaan hasil peramalan dari data
permintaan yang aktual. Pada error di cari kuadratnya, persentasenya, dan
dimutlakkan dimana dengan metode MAPE diperoleh hasil 4.889277371. Pada
metode SMA, dilakukan perhitungan secara manual dan dengan software yakni
Minitab. Hasil peramalan pada software tidak terlalu berbeda jauh dengan
perhitungan manual karena adanya pembulatan nilai.
b. Metode 3CMA dan 5CMA

Metode perhitungan peramalan menggunakan metode CMA (Centered
Moving Average) hampir serupa dengan metode SMA dimana hasil peramalan
diperoleh melalui rata rata permintaan sesuai dengan pergerakan periode yang
telah ditetapkan dimana dikasus ini menggunakan T = 3 dan T = 5 yang mana pada
3CMA, hasil peramalan rata rata dari periode 1 hingga 3 diletakkan di tengah
antara periode tersebut dengan posisi periode dua sebagai periode tengah antara

2017 107
Modul 1 Forecasting
Kelompok 4
periode satu sampai periode tiga, dan seterusnya. Sedangkan pada 5CMA, hasil
peramalan rata rata dari periode 1 hingga 5 diletakkan di tengah antara periode
tersebut dengan posisi periode tiga sebagai periode tengah antara periode satu
sampai periode lima, dan seterusnya. Pada metode perhitungan 3CMA, hasil
peramalan yang dihasilkan berbeda beda hingga periode 51, sedangkan hasil
peramalan periode 51 hingga periode 58 dianggap konstan dengan hasil peramalan
di periode 51 yaitu sebesar 6413. Sedangkan pada metode perhitungan 5CMA, hasil
peramalan yang dihasilkan berbeda beda hingga periode 50, sedangkan hasil
peramalan periode 5- hingga periode 58 dianggap konstan dengan hasil peramalan
di periode 50 yakni 6484. Setelah melakukan perhitungan hasil peramalan
selanjutnya dilakukan perhitungan error yakni mencari selisih antara data
permintaan aktual dengan hasil peramalan sehingga dapat diketahui seberapa besar
perbedaan hasil peramalan dari data permintaan yang aktual. Pada error di cari
kuadratnya, persentasenya, dan dimutlakkan dimana hasil MAPE pada metode
3CMA senilai 2.738945533 dan pada metode 5CMA sebesar 3.231222925. Pada
metode CMA dilakukan perhitungan secara manual dan dengan software yaitu
Minitab. Hasil peramalan menggunakan software tidak terlalu berbeda jauh dengan
perhitungan manual karena adanya pembulatan nilai.
c. Metode 2WMA
Metode peramalan WMA (Weighted Moving Average) bertujuan untuk
melakukan peramalan permintaan menggunakan nilai pembobotan pada permintaan
di setiap periode. Pada perhitungan ini digunakan untuk tiap dua periode.
Perhitungan dilakukan dengan cara manual dan menggunakan software WinQSB.
Untuk perhitungan WMA, bobot yang digunakan adalah 0,6 dan 0,4. Perhitungan
dilakukan dengan mengalikan periode 1 dengan bobot 1 dan periode 2 dengan bobot
2. Kemudian hasil perkalian dijumlahkan untuk menjadi nilai hasil ramalan pada
periode 4. Begitu seterusnya hingga di dapatkan pada periode ke 53 dengan nilai
hasil ramalan yakni 6395. Nilai pada perhitungan dengan software WinQSB

2017 108
Modul 1 Forecasting
Kelompok 4
menunjukan nilai hasil ramalan yang serupa yakni 6394,8. Selanjutnya dilakukan
perhitungan error menggunakan MAPE diperoleh hasil 4.965966291.
d. Metode SES
Menghitung peramalan dengan metode SES (Single Exponential Smoothing)
merupakan perhitungan yang dilakukan secara eksponensial. Kemudian mencari
nilai alpha menggunakan software Eviews. Nilai alpha pada perhitungan ini sebesar
0,332. Semakin kecil nilai alpha maka semakin baik hasil ramalan yang dihitung.
Pada perhitungan SES periode 1 mempunyai nilai hasil ramalan sama dengan data
aktual permintaan pada periode 1. Untuk periode 2 dan selanjutnya dapat
menggunakan rumus (1 1 ) + 1 . Dengan menggunakan rumus tersebut
pada perhitungan manual didapatkan nilai ramalan pada periode ke 1 hingga 50
berbeda namun dari periode 53 hingga 58 adalah 6375. Hasil perhitungan manual
tersebut juga hampir sama dengan perhitungan dengan software WinQSB yaitu
6374.995. Selanjutnya dilakukan perhitungan error menggunakan MAPE diperoleh
hasil 5.098459115.
5.1.2 Analisis Metode Terpilih

Metode peramalan pada permintaan dengan pola data konstan adalah 3SMA,
3CMA, 5CMA, 2WMA, dan SES. Dari beberapa metode tersebut dapat diperoleh
nilai error terkecil dengan pola konstan. Metode dengan error terkecil akan dipilih
karena merupakan metode terbaik (memiliki kesalahan peramalan terkecil). Nilai
error yang dijadikan acuan disini adalah nilai MAPE agar dapat melihat persentase
kesalahan hasil peramalan terhadap permintaan aktual selama yang telah ditentukan,
sehingga akan lebih akurat dalam perhitungan dan pengujian yang telah dilakukan.
Dari perhitungan telah diperoleh hasil bahwa metode perhitungan data pola konstan
dengan error terkecil adalah metode 3CMA dengan nilai MAPE sebesar
2.738945533. Maka dari itu metode 3CMA dipilih sebagai metode terbaik untuk
melakukan peramalan pada pola data konstan.

2017 109
Modul 1 Forecasting
Kelompok 4
5.2 Analisis Pola Data Linier

5.2.1 Analisis Semua Metode Peramalan
a. Metode DMA
Metode DMA yang digunakan di sini menggunakan t = 3. Artinya moving

average dihitung setiap 3 periode misalnya periode 1,2,3 selanjutnya
periode 2,3,4 dan seterusnya. Untuk memperoleh hasil ramalan, terlebih
dahulu dihitung S, S, a dan b. Pada S dan S perhitungan juga dilakukan
3 periode sedangkan untuk a dan b dilakukan setiap priode. Pada peramalan
yang dihitung secara manual hasil yang diperoleh berbeda-beda setiap
periode. Secara berurutan berikut adalah hasil peramalan selama 6 periode
tersebut: 5282,67; 5294,00; 5305,33; 5316,67; 5328,00; 5339,33. Nilai
error dengan MAPE sebesar 2,327%.
b. Metode DES
Peramalan menggunakan DES menghasilkan 56 hasil ramalan dimana 6

periode terakhir adalah ramalan selama 6 periode ke depan. Dalam
perhitungan DES ini parameter alfa yang digunakan adalah 0,122. Dengan
hasil peramalan 6 periode ke depan yaitu 5197,84; 5209,5; 5221,17;
3232,83; 5244,49; 5256,15. Pada metode ini perhitungan error yang
digunakan ada 5 macam yaitu MAE, MSE, MAPE, UTHEIL dan NF1. Hasil
error pada MAPE adala 2,4752%.
c. Metode SEST
Alfa yang digunakan pada metode SEST kali ini adalah 1 dengan nilai beta
0. Perhitungan menghasilkan sebanyak 57 peramalan dimana 6 periode
terakhir adalah peramalan untuk 6 periode yang akan datang. Hasil
peramalan secara manual untul 6 periode yang akan datang diperoleh nilai
yang sama yaitu 5278,00 dengan error metode MAPE 1,78%. Peramalan
metode SEST juga dilakukan dengan menggunakan software yaitu winQSB

2017 110
Modul 1 Forecasting
Kelompok 4
dengan hasil peramalan yaitu 5278.
d. Metode DEST
Perhitungan metode DEST dilakukan dengan cara menghitung dahulu

parameter St = .X(t) + (1-).St-1 dan Bt = . St + (1- ) Bt-1 , hingga
akhirnya didapat nilai Ft . Nilai alfa yang digunakan adalah 0,97. Peramalan
pada 6 periode yang akan datang berbeda-beda untuk setiap periodenya
yaitu 5296,78; 5315,57; 5334,36; 5353,15; 5371,94; 5390,73. Sedangkan
untuk perhitungan error dilakukan dengan metode MAE, MSE, MAPE,
UTHEIL dan NF1. Masing-masing hasil penghitunga errror sesuai urutan di
atas adalah 133,4273; 40345,41; 276,31%; 1,43; dan 0,184.
e. ARIMA
Peramalan dengan metode Arima terdiri dari beberapa tahap. Tahap pertama
adalah uji stasioneritas. Dalam pengujian ini h0 adalah data tidak stasioner
sedangkan h1 data bersifat stasioner. Dengan alfa 0,5 dan dan terdapat dua
daerah kritis yaitu |t-statistic ADF| > |t-statistic McKinnon| dan P-Value < .
Dari hasil uji stasioner didapat hasil bahwa pada level 0 data tidak bersifat
stasioner karena |t-statistic ADF| > |t-statistic McKinnon| yaitu |-3.42| > |-
3.15| dan nilai P-Value < yaitu 0.06 < 0.05. Sedangkan pada level 1 data
bersifat stasioner.
Tahap berikutnya adalah pengujian ACF (Auto Correlation Function) dan

Pacf (Partial Correlation Function). Dari hasil identifikasi AC dan PAC
didapatkan bahwa dengan memilih 1st Difference dari output eviews,
model demand teruji stasioner dengan memilih 1st Difference. Setelah
pengujian AFC dan Pacf dilakukan estimasi parameter yang terdiri dari tiga
model yaitu MA2, AR2MA2 dan AR1MA1 dengan alfa 0,05. Dari ketiga
kombinasi tersebut model yang dipilih adalah MA2 karena memiliki
probabilitas kurang dari 0,05. Dari peramalan menggunakan ARIMA
diperoleh peramalan selama 6 periode kedepan yaitu 52,91,95; 5305,9;
2017 111
Modul 1 Forecasting
Kelompok 4
5319,85; 5333,8; 5347,75 dan 5361,7 dengan nilai error MAPE 1,6656%.
5.2.2 Analisis Metode Terpilih
Metode peramalan yang digunakan pada demand dengan pola data linier
adalah DMA, DES, SEST, DEST dan ARIMA. Dari beberapa metode tersebut akan
diperoleh nilai error terkecil dengan pola linear. Metode dengan error terkecil akan
digunakan karena merupakan metode terbaik (memiliki kesalahan peramalan
terkecil). Nilai error yang dijadikan acuan disini adalah nilai MAPE karena dengan
metode tersebut dapat diketahui presentase hasil peramalan terhadap permintaan
aktual selama yang telah ditentukan.
Berdasarkan perhitungan dan pengujian yang telah dilakukan, diperoleh
hasil bahwa metode perhitungan data pola linier dengan error terkecil adalah
metode ARIMA dengan nilai MAPE sebesar 1,665%. Maka dari itu metode
ARIMA sebagai metode terbaik untuk melakukan forecasting dengan pola data
linier.

2017 112

Modul 1 Ayumi

Diunggah oleh

Informasi Dokumen

Judul 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

Modul 1 Ayumi

Diunggah oleh

Hak Cipta:

Format Tersedia

Laporan Praktikum Perancangan Teknik Industri

1.1 Latar Belakang

1.2 Perumusan Masalah

Departemen Teknik Industri

segmentasi yang ditentukan perusahaan. Untuk dapat menentukan perencanaan yang

1.3 Tujuan Penulisan

1.4 Pembatasan Masalah

Departemen Teknik Industri

1.5 Sistematika Penulisan

Departemen Teknik Industri

2.1.2 Macam-Macam Peramalan

Departemen Teknik Industri

Metode Delphi, dalam metode ini karyawan menggunakan teknik menyebarkan

Departemen Teknik Industri

Gambar 2.1 Plot Data

2.1.3 Tahapan dalam Peramalan

Departemen Teknik Industri

2.2 Metode-Metode Deret Waktu (Time Series)

= ( " ) = 2 " ...(2.4)

: Nilai pemulusan tunggal

2.3 Metode-Metode Kusal

2.4 Pemilihan Metode Peramalan

Departemen Teknik Industri

2.5 Metode Perhitungan Error

2. Standard Deviation Error (SDE)

Departemen Teknik Industri

sederhana namun tingkat akurasinya sangat kecil karena hanya menggunakan

3. Mean Absolute Percentage Error (MAPE)

Departemen Teknik Industri

4. U-Theil dan Batting

5. Mean Forecast Error (MFE)

Departemen Teknik Industri

6. Mean Average Deviation (MAD)

7. Cumulative Forecast Error (CFE)

Departemen Teknik Industri

Gambar 2. 1 Tampilan Eviews

Departemen Teknik Industri

Gambar 2. 2 Tampilan Minitab

Departemen Teknik Industri

Gambar 2. 3 Tampilan WinQSB

Departemen Teknik Industri

3.1 Flowchart Metodologi Praktikum Forecasting

Gambar 3. 1 Metodologi Praktikum Modul Forecasting

Departemen Teknik Industri

3.2 Penjelasan Flowchart

Departemen Teknik Industri

4.1 Pengumpulan Data

Departemen Teknik Industri

Tabel 4.1 Data Permintaan Segmentasi Pasar Tamiya 4WD (Lanjutan)

4.2 Pengolahan Data

Departemen Teknik Industri

a. Segmentasi Pasar Remaja

Gambar 4. 1 Plot Data Permintaan Segmentasi Pasar Remaja

b. Segmentasi Pasar Koleksi

Gambar 4. 2 Plot Data Permintaan Segmentasi Pasar Koleksi

Departemen Teknik Industri

c. Segmentasi Pasar Anak-anak

Gambar 4. 3 Plot Data Permintaan Segmentasi Pasar Anak-Anak

d. Segmentasi Pasar Lomba

Gambar 4. 4 Plot Data Permintaan Segmentasi Pasar Lomba

Departemen Teknik Industri

e. Segmentasi Pasar Style

Gambar 4. 5 Plot Data Permintaan Segmentasi Pasar Style