Fix Modul 1

LAPORAN PRAKTIKUM PERANCANGAN TEKNIK INDUSTRI
MODUL 1
FORECASTING
Disusun Oleh :
Kelompok 18
1. Yineka Oktaviyanti L. Tobing 21070114120058
2. Wismar Rizki Wijayanti 21070114130093
3. Frands Christoper Simanjuntak 21070114130113
4. Mochamad Aziz Hermianto 21070114130119
5. Risa Candra Ayu Fitriani 21070114130125
PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK UNIVERSITAS DIPONEGORO
SEMARANG
2016
KATA PENGANTAR
Puji syukur kami ucapkan kehadirat Tuhan YME, karena atas limpahan rahmat
dan karunia-Nya, kami berhasil menyelesaikan laporan praktikum Perancangan Teknik
Industri Modul 1 Forecasting ini dengan baik.Laporan ini kami susun guna melengkapi
tugas praktikum mata kuliah Perancangan Teknik Industri semester 5, Program Studi
Teknik Industri Universitas Diponegoro.
Penyusunan laporan praktikum PTI ini telah terselesaikan dengan baik berkat
bantuan banyak pihak, baik pada saat pelaksanaan praktikum maupun pada saat
penyusunan. Oleh karena itu, penyusun mengucapkan terima kasih yang sebesar
besarnya kepada :
1. Ibu Dr.aries Susanty, ST.MT selaku dosen laboratorium OPSI.
2. Seluruh Asisten Dosen Laboratorium OPSI dan yang telah membimbing kami dalam
melakukan praktikum dan dalam penyusunan laporan praktikum PTI
3. Seluruh rekan rekan mahasiswa Teknik Industri Universitas Diponegoro yang telah
membantu kami dalam banyak hal.
4. Seluruh pihak yang telah membantu penyelesaian laporan praktikum PTI ini, baik
secara langsung maupun tidak langsung yang tidak mungkin kami sebutkan satu-
persatu.
Kami menyadari bahwa penyusunan laporan praktikum ini masih jauh dari
sempurna. Oleh karena itu, kami mengharapkan kritik dan saran dari semua pihak demi
kesempurnaan penyusunan laporan ini dan selanjutnya.
Semarang, 8 September 2016
Penyusun
i
DAFTAR ISI
KATA PENGANTAR ....................................................................................................... i

DAFTAR ISI .....................................................................................................................ii
DAFTAR GAMBAR ...................................................................................................... iv
DAFTAR TABEL .......................................................................................................... vi
BAB I PENDAHULUAN ................................................................................................. 1
1.1 Latar Belakang ................................................................................................... 1
1.2 Perumusan Masalah ............................................................................................ 2
1.3 Tujuan Penulisan ................................................................................................ 2
1.4 Pembatasan Masalah .......................................................................................... 3
1.5 Sistematika Penulisan ......................................................................................... 4
BAB II TINJAUAN PUSTAKA....................................................................................... 5
2.1 Peramalan ................................................................................................................ 5
2.1.1 Defenisi Peramalan .......................................................................................... 5
2..1.2 Macam Macam Peramalan ........................................................................... 5
2.1.3 Tahapan dalam Peramalan ............................................................................... 6
2.2 Metode Metode Deret Waktu (Time Series) ........................................................ 8
2.3 Metode Metode Kausal ..................................................................................... 15
2.4 Pemilihan Metode Peramalan ............................................................................... 16
2.5 Verifikasi dan Validasi Model Peramalan ............................................................ 18
2.6 Ekonometrika ........................................................................................................ 20
2.7 EViews .................................................................................................................. 20
2.8 WinQSB ................................................................................................................ 22
2.9 SPSS ...................................................................................................................... 23
BAB III METODOLOGI PRAKTIKUM ....................................................................... 25
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA .......................................... 27
4.1 Pengumpulan Data ................................................................................................ 27
4.2 Pengolahan Data.................................................................................................... 28
4.2.1 Plot Data ......................................................................................................... 28
4.2.2 Pemilihan Demand ......................................................................................... 30
ii
4.2.3 Peramalan ....................................................................................................... 33
4.2.3.1 Pemilihan Metode Peramalan dan Error ................................................ 33
4.2.3.2 Data Pola Konstan ................................................................................... 33
4.2.3.3 Data Pola Linear ...................................................................................... 65
4.2.4 Validasi ....................................................................................................... 110
4.2.5 Hasil Peramalan ........................................................................................... 120
BAB V ANALISIS ....................................................................................................... 123
5.1 Analisis Pola Data Konstan................................................................................ 123
5.1.1 Analisis Semua Metode Peramalan .............................................................. 123
5.1.2 Analisis Metode Terpilih ............................................................................. 125
5.1.3 Analisis Validasi .......................................................................................... 125
5.2 Analisis Pola Data Linear.................................................................................... 126
5.2.1 Analisis Semua Metode Peramalan .............................................................. 126
5.2.2 Analisis Metode Terbaik .............................................................................. 128
5.2.3 Analisis Validasi .......................................................................................... 129
BAB VI PENUTUP ...................................................................................................... 131
6.1 Kesimpulan ......................................................................................................... 131
6.2 Saran .................................................................................................................... 132
DAFTAR PUSTAKA .................................................................................................. 133
LAMPIRAN
iii
DAFTAR GAMBAR
Gambar 2.1 Pola Data Konstan ....................................................................................... 11

Gambar 2.2 Pola Linier ................................................................................................... 11
Gambar 2.3 Pola data Musiman ...................................................................................... 11
Gambar 2.4 Pola data Siklis ............................................................................................ 12
Gambar 2.5 Pola data Random ....................................................................................... 12
Gambar 2.6 Bentuk Umum Model ARIMA ................................................................... 18
Gambar 2.7 Tampilan EViews ........................................................................................ 25
Gambar 2.8 Tampilan WinQSB ...................................................................................... 26
Gambar 2.9 Tampilan SPSS............................................................................................ 28
Gambar 3.1 Metodologi Praktikum ................................................................................ 29
Gambar 4.1 Plot Data Segmentasi pasar Koleksi............................................................ 33
Gambar 4.2 Plot Data Segmentasi pasar Style ................................................................ 33
Gambar 4.3 Plot Data Segmentasi pasar Anak-anak ...................................................... 34
Gambar 4.4 Grafik Demand dan Peramalan 3 SMA....................................................... 44
Gambar 4.5 Grafik Demand dan Peramalan 5 SMA....................................................... 50
Gambar 4.6 Grafik Demand dan Peramalan 3 CMA ...................................................... 56
Gambar 4.7 Grafik Peramalan Metode 5CMA ............................................................... 61
Gambar 4.8 Grafik Demand dan Peramalan 3 WMA ..................................................... 68
Gambar 4.9 Grafik Demand dan Permalan 3 DMA....................................................... 74
Gambar 4.10 Grafik Demand dan Permalan 5 DMA ...................................................... 79
Gambar 4.11 Output SEST pada WinQSB ..................................................................... 87
Gambar 4.12 Grafik Demand dan Peramalan SEST Perhitungan Manual ..................... 87
Gambar 4.13 Grafik Output WinQSB............................................................................. 95
Gambar 4.14 Grafik Demand dan Peramalan DEST Perhitungan Manual ..................... 95
Gambar 4.15 Uji Stasioneritas level 0............................................................................. 96
Gambar 4.16 Uji Stasioneritas level 1............................................................................. 97
Gambar 4.17 Correlogram 1st Difference ....................................................................... 98
Gambar 4.18 Arima (0,1,1) ............................................................................................. 99
Gambar 4.20 Arima (1,1,0) ........................................................................................... 101
iv
Gambar 4.21 Arima (1,1,1) ........................................................................................... 102
Gambar 4.22 Arima (1,1,2) ........................................................................................... 103
Gambar 4.23 Arima (2,1,0) ........................................................................................... 104
Gambar 4.24 Arima (2,1,1) ........................................................................................... 105
Gambar 4.25 Arima (2,1,2) ........................................................................................... 106
Gambar 4.26 output dari uji correlogram ..................................................................... 107
Gambar 4.27 Grafik Output Software Eviews .............................................................. 110
Gambar 4.28 Grafik Validasi Tracking Signal ............................................................. 116
Gambar 4.29 Plot Data Peta MR Linier ........................................................................ 120
Gambar 4.30 Grafik Validasi Tracking Signal ............................................................. 122
v
DAFTAR TABEL
Tabel 4.1 Data Historis Permintaan ................................................................................ 31

Tabel 4.2 Pemilihan Demand .......................................................................................... 34
Tabel 4.3 Data Plot Konstan ........................................................................................... 36
Tabel 4.4 Perhitungan Manual 3 SMA ........................................................................... 38
Tabel 4.5 Rekap Perhitungan Error 3 SMA .................................................................... 41
Tabel 4.6 Perhitungan WinQSB 3 SMA ......................................................................... 41
Tabel 4.7 Perhitungan Manual 5 SMA ........................................................................... 45
Tabel 4.8 Rekap Perhitungan Error 5 SMA .................................................................... 47
Tabel 4.9 Perhitungan 5 SMA dengan WinQSB ............................................................ 47
Tabel 4.10 Perhitungan Manual 3 CMA ......................................................................... 51
Tabel 4.11 Rekap Perhitungan Error 3 CMA.................................................................. 54
Tabel 4.12 Perhitungan 3 CMA dengan software SPSS ................................................. 54
Tabel 4.14 Rekap Perhitungan Error 5 CMA.................................................................. 59
Tabel 4.17 Rekap Perhitungan Error 3 WMA ................................................................ 65
Tabel 4.18 Perhitungan 3 WMA dengan WinQSB ......................................................... 65
Tabel 4.19 Tabel Perhitungan Manual 3 DMA ............................................................... 69
Tabel 4.20 Rekap Perhitungan Error 3 DMA ................................................................. 72
Tabel 4.21 Perhitungan Software 3 DMA ....................................................................... 72
Tabel 4.22 Perhitungan Manual 5 DMA ......................................................................... 74
Tabel 4.23 Rekap Perhitungan Error 5 DMA ................................................................. 77
Tabel 4.24 Output Software SPSS 5 DMA ..................................................................... 78
Tabel 4.24 Output Software SPSS 5 DMA ..................................................................... 79
Tabel 4.26 Rekap Perhitungan Error SEST .................................................................... 83
Tabel 4.27 Output WinQSB ............................................................................................ 84
Tabel 4.28 Perhitungan Manual DEST ........................................................................... 88
Tabel 4.29 Rekap Perhitungan Error DEST .................................................................... 91
Tabel 4.30 Perhitungan WinQSB DEST......................................................................... 92
Tabel 4.31 Hasil Peramalan ARIMA ............................................................................ 108
Tabel 4.32 Perhitungan Manual Arima ......................................................................... 110
vi
Tabel 4.33 Hasil Error ARIMA model (2,1,2) .............................................................. 113
Tabel 4.34 Rekap Metode Error U-Theil Data Pola Konstan ....................................... 114
Tabel 4.35 Perhitungan Manual Tracking Signal ......................................................... 114
Tabel 4.36 Rekap Metode Error Data Pola Linear ........................................................ 117
Tabel 4.37 Perhitungan Manual Peta MR Linier .......................................................... 118
Tabel 4.38 Rekap Peta MR Linier................................................................................. 120
Tabel 4.39 Perhitungan Tracking Signal....................................................................... 121
Tabel 4.40 Hasil Pemecahan Data Konstan ................................................................. 124
Tabel 4.41 Hasil Ramalan Konstan Dan Linier 48 Periode Kedepan......................... 125
vii
Laporan Praktikum Perancangan Teknik Industri
Modul 1- Forecasting
Kelompok 18
BAB I
PENDAHULUAN
1.1 Latar Belakang

Greighteen Cooperation merupakan salah satu perusahaan awakan asal Inggris yang
bergerak dalam produksi mainan Tamiya 4WD. Greighteen Cooperation sudah berdiri
sejak 1998 dan memperlebar sayapnya ke beberapa Negara di Asia dan salah satunya
Indonesia. Di Asia, Greighteen Cooperation melihat perkembangan Tamiya semakin
pesat dikarenakan tingginya permintaan Tamiya di kalangan anak-anak setelah
menonton program televisi. Hal yang sama terjadi di Indonesia, semakin maraknya
program televisi Jepang mengenai balapan Tamiya yang menarik minat anak-anak
Indonesia membeli Tamiya dan menjajal kecepatan Tamiya tersebut. Greighteen
Cooperation membuka haluannya di Indonesia yang berpusat di Jakarta. Di Indonesia
Greighteen Cooperation sudah mendirikan perusahaannya sejak 2010. Dalam
memproduksi Tamiya, Greighteen Cooperation selalu mengupayakan pembuatan
Tamiya semenarik dan sebagus mungkin dengan memperhatikan aspek keindahan
(desain), kecepatan, ketangguhan, dan keawetan. Pada awal tahun ini Greighteen
Cooperation ingin memperkirakan jumlah produk yang akan diproduksi dengan metode
peramalan.
Peramalan merupakan langkah awal yang harus dilakukan oleh suatu perusahaan
untuk menentukan banyaknya produk yang akan diproduksi baik berdasarkan data yang
lalu maupun informasi-informasi yang relevan. Dengan peramalan akan membantu
perusahaan dalam menentukan jumlah produksi agar tepat sasaran sehingga tidak
merugikan perusahaan. Dengan peramalan yang tepat akan membantu mengurangi
kerugian perusahaan yang bisa disebabkan karena adanya kekurangan pasokan yang
membuat konsumen kehilangan kepercayaan, maupun kelebihan pasokan yang akan
mengakibatkan perusahaan mengeluarkan biaya simpan.
Peramalan akan permintaan atau demand sangat diperlukan dalam proses manufaktur
dan proses produksi. Karena peramalan akan permintaan akan berpengaruh pada proses
penentuan jadwal produksi yang berhubungan dengan jumlah permintaan. Peramalan
Program Studi Teknik Industri

Universitas Diponegoro
2016 1
Kelompok 18
juga berpengaruh pada kapasitas produksi karena dengan mengetahui jumlah

permintaan maka dapat memperhitungkan waktu yang dibutuhkan untuk proses
produksi. Khususnya pengimplementasian peramalan dalam bidang industri yaitu
mengkaji kebijakan perusahaan yang ada dari masa lalu hingga sekarang, serta
mengetahui pengaruhnya dimasa datang. Peramalan akan membantu perusahaan dalam
mempersiapkan program sehingga meminimalisir kegagalan, juga sebagai dasar
penyusunan rencana bisnis perusahaan, sebagai dasar untuk pembuatan keputusan
dalam berbagai tingkatan manajemen perusahaan.
Pada perusahaan ini peramalan digunakan dalam manajemen rantai pasokan
termasuk supplier dan raw material/bahan mentah. Sehingga dapat menentukan jumlah
produk yang akan diproduksi, banyak raw material/bahan mentah yang dibutuhkan,
serta menentukan banyaknya supplier untuk memenuhi kebutuhan produksi Tamiya
4WD. Perusahaan ini juga akan dihadapkan pada lima pangsa pasar seperti : Koleksi,
Style, Lomba, Remaja, dan Anak-anak. Peramalan digunakan untuk menghadapi kelima
pangsa pasar tersebut serta memilih tiga pangsa pasar agar tidak menimbulkan variasi
data pasar yang berlebihan
1.2 Perumusan Masalah

Berdasarkan latar belakang, maka dapat dirumuskan masalah untuk menentukan
prediksi demand atau permintaan yang harus dipenuhi dengan menggunakan beberapa
metode peramalan yang dilakukan pada data masa lalu (historis). Guna peramalan
dilakukan agar demand ynag diramalkan mendekati demand yang sebenarnya. Dengan
peramalan yang mendekati permintaan yang sebenarnya akan membantu proses
perencanaan dan pengendalian produksi untuk jangka waktu pandek maupun jangka
panjang.
1.3 Tujuan Penulisan

Tujuan Praktikum Perancangan Teknik Industri Modul 1 forecasting adalah:
1. Praktikan mampu mengetahui manfaat forecasting dalam bidang industri.

2016 2
Kelompok 18
2. Praktikan mampu memahami berbagai macam metode dan perhitungan error dalam
forecasting.
3. Praktikan mampu memahami kelebihan dan kekurangan masing-masing metode dan
error dalam forecasting.
4. Praktikan mampu mengimplementasikan metode forecasting dalam bidang industri.
1.4 Pembatasan Masalah

Masalah pada modul 1 terbatas pada peramalan permintaan Greighteen Cooperation
Indonesia. Greighteen Cooperation juga akan dihadapkan dengan lima pangsa pasar
yaitu Koleksi, Style, Lomba, Remaja, dan Anak-anak. Greighteen Cooperation memilih
fokus pada tiga pangsa pasar yaitu, Koleksi, Style, dan Anak-anak. Koleksi dan anak-
anak dipilih memiliki pola data yang konstan, pola data yang konstan memiliki demand
yang naik turun sehingga bisa di aplikaskan di perusahaan untuk memperisapkan
kebutuhan demand yang naik turun di setiap periodenya. Style dipilih karena memiliki
pola data linier naik, linier naik dipilih karena demand di setiap periodenya tidak
mengalami kerugian. Penelitian ini dilakukan dengan melihat grafik plot data dari
produk perusahaan apakah grafik konstan atau linier. Metode yang digunakan pada data
linier yaitu 3 Double Moving Average (3DMA), 5 Double Moving Average (5DMA),
ARIMA, Double Exponential Smoothing Trend (DEST), Single Exponential Smoothing
Trend (SEST). Untuk data konstan metode yang digunakan yaitu 3 Simple Moving
Avarage (3SMA), 5 Simple Moving Avarage (5SMA), 3 Center Moving Avarage
(3CMA), 5 Center Moving Avarage (5CMA), dan Weighted Moving Average (WMA).
Penelitian dilakukan dengan software eviews dan perhitungan manual. Disamping itu
juga menghitung verifikasi dan validasi hasil peramalan. Metode verifikasi yang
digunakan antara lain: MAE, MSE, MAPE, NF1, dan U-Theil. Sedangkan metode
validasi yang digunakan yaitu: peta moving range dan tracking signal.

2016 3
Kelompok 18
1.5 Sistematika Penulisan

Sistematika penulisan di dalam laporan praktikum ini adalah:
BAB I PENDAHULUAN
Berisi latar belakang masalah, perumusan masalah, pembatasan masalah,
tujuan penulisan dan sistematika penulisan praktikum.
BAB II TINJAUAN PUSTAKA
Berisi pengertian sistem produksi, definisi forecasting, macam-macam
metode peramalan, klasifikasi peramalan, uji verifikasi, dan tes validasi.
BAB III METODOLOGI PRAKTIKUM
Berisi tentang flowchart praktikum.
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
Berisi plot data, peramalan dengan metode SA, MA, WMA, DMA,
CMA, SES, DES, SEST, DEST, ARIMA, dan Linier Regresi sesuai
dengan hasil plotting data, rekapitulasi error dan verifiksasi, validasi
metode yang terpilih, validasi data, uji dua sampel berpasangan.
BAB V ANALISIS
Berisi analisis hasil perhitungan metode-metode peramalan.
BAB VI PENUTUP
Berisi kesimpulan dan saran.

2016 4
Kelompok 18
BAB II
TINJAUAN PUSTAKA
2.1 Peramalan
2.1.1 Defenisi Peramalan
Peramalan merupakan suatu kegiatan yang berusaha memperkirakan penjualan dan
penggunaan produk sehingga produk produk itu dapat dibuat dalam kuantitas
yangtepat. Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan
yang akan datang berdasarkan pada beberapa variabel peramal, misalnya berdasarkan
data deret waktu historis. Peramalan dapat menggunakan teknik teknik peramalan
yang bersifat formal maupun informal. Aktivitas peramalan ini biasa dilakukan oleh
Departemen Pemasaran dan hasil hasil dari peramalan ini sering disebut sebagai
ramalan penjualan (sales forecast) (Hartini, 2010)
2..1.2 Macam Macam Peramalan

Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan atas
dua macam, yaitu:
1. Peramalan yang subyektif, yaitu peramalan yang didasarkan atas perasaan atau
intuisi dari orang yang menyusunnya.
2. Peramalan yang objektif, yaitu peramalan yang didasarkan atas data yang relevan
pada masa lalu, dengan menggunakan teknik teknik dan metode metode dalam
penganalisaan data tersebut.
Jika dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat
dibedakan atas 3 macam yaitu (Ivana Sakuan, 2007) :
1. Peramalan jangka pendek, peramalan untuk jangka waktu kurang dari 3 bulan
2. Peramalan jangka menengah, peramalan untuk jangka waktu antara 3 bulan
sampai 3 tahun.
3. Peramalan jangka panjang, peramalan untuk jangka waktu lebih dari 3 tahun.

2016 5
Kelompok 18
Berdasarkan teknik yang digunakan, peramalan secara garis besar dapat

dikelompokkan menjadi 2 yaitu, teknik kualitatif (bersifat subyektif) dan teknik
kuantitatif (bersifat obyektif) (Hartini, 2010)
1. Teknik Kualitatif/Subyektif
Peramalan ini lebih menekankan pada keputusan hasil diskusi, pendapat pribadi
seseorang, dan intuisi yang meskipun kelihatannya kurang ilmiah tetapi dapat
memberikan hasil yang baik.
2. Teknik Kuantitatif/Obyektif
Peramalan ini merupakan prosedur peramalan yang mengikuti aturan aturan
matematis dan statistik dalam menunjukkan hubungna antara permintaan dengan satu
atau lebih variabel yang memengaruhinya. Selain itu, peramalan ini juga
mengasumsikan bahwa tingkat keeratan dan macam dari hubungan antara variabel
variabel bebas dengan permintaan yang terjadi pada masa lalu akan berulang juga pada
masa yang akan datang.
2.1.3 Tahapan dalam Peramalan

Terdapat tahap-tahap yang harus dilakukan dalam suatu permalan yaitu sebagai
berikut (Hartini,2010) :
1. Plot data.
Ploting data harus dilakukan sebelum melakukan metode peramalan untuk
menentukan pola data yang terjadi.Dengan data yang ada diperoleh diagram
pencarnya. Macam macam dari plot data adalah sebagai berikut :
Konstan
Adalah apabila pola data berfluktuasi di sekitar nilai rata rata yang konstan
(deret seperti ini stasioner terhadap nilai rata - ratanya).

2016 6
Kelompok 18
Gambar 2. 1 Pola Data Konstan

Linier/Trend.
Terjadi saat terdapat kenaikan dan penurunan jangka panjang dalam data.
Gambar 2. 2 Pola Linier

Seasonal (Musiman)
Adalah fluktuasi permintaan suatu produk dapat naik turun di sekitar garis
trend dan biasanya berulang tiap tahun.
Gambar 2. 3 Pola data Musiman

Cyclical (Siklis)
Adalah pola permintaan suatu produkyang mempunyai siklus berulang secara
periodik biasanya lebih dari satu tahun, sehingga pola ini untuk peramalan
jangka menengah dan panjang.

2016 7
Kelompok 18
Gambar 2. 4 Pola data Siklis

Random (acak)
Adalah tanda dalam data yang disebabkan peluang dan situasi yang tidak
biasa, variabel acak mengikuti pola yang tidak dapat dilihat.
Gambar 2. 5 Pola data Random

2. Memilih alternatif metode yang sesuai dengan pola data masa lalu. Dengan
asumsi, pola akan berulang pada periode yang akan datang.
3. Melakukan uji verifikasi dengan menghitung error dari metode metode yang
digunakan.
4. Memilih metode yang terbaik, yang dipilih adalah 2 metode yang memiliki error
terkecil.
5. Melakukan uji validasi metode terpilih dengan menggunakan peta Moving range.
2.2 Metode Metode Deret Waktu (Time Series)

Perencanaan dan pembuatan keputusan membuuhkan dugaan-dugaan tentang apa
yang akan terjadi dimasa yang akan datang. Karena itu analiss diharapkan untuk
membuat ramalan-ramalan salah satunya adalah metode time series. Metode time series
adalah metode peramalan secara kuantitaif dengan menggunakan waktu sebagai dasar
peramalan. Untuk membuat suatu peramalan diperlukan data historis. Data inilah yang
diakumulasikan dalam periode waktu. Metode seri waktu mengasumsikan bahwa apa
yang telah terjadi di masa lalu akan terus terjadi di masa yang akan datang. Time series
memakai teknik statistik yang menggunakan data historis. Analisis time series

2016 8
Kelompok 18
memperlajari pola gerakan-gerakan nilai-nilai variabel pada satu interval waktu tertentu.
Makrikadis mengemukakan bahwa pendugaan masa depan dilakukan berdasarkan nilai
masa lalu. Tujuan metode peramalan time series adalah menemukan pola dalam deret
historis dan mengekstrapolasikan pola tersebut kemasa yang akan datang. Contohnya
adalah produksi total tahunan, atau harga penutupan sebuah saham dalam waktu
sebulan, temperature udara dalam waktu satu jam, dan lain-lain.
Ada empat komponen utama yang mempengaruhi analisa ini yaitu
(Makrikadis:199:10) :
Pola horizontal: pola data yang terjadi ketika data berfluktufasi di sekitar nilai rata-
rata yang konstan. Biasanya pola ini ditemukan di produk yang penjualannya
cenderung stabil.
Pola musiman: pola yang nilai deretnya dipengaruhi waktu musiman seperti kuartal
tahunan atau bulanan atau pada waktu-waktu tertentu.
Pola siklis: pola yang terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi
jangka panjang, biasanya ditemukan dalam siklus bisnis.
Pola trend: pola yang terjadi apabila ada kenaikan atau penurunan sekuler jangka
panjang pada suatu data.
Adapun metode peramalan yang termasuk dalam metode time series adalah :
Metode smoothing, metode ini digunakan untuk melicinkan dan mengurangi
fluktuasi ramalan berdasarkan data yang lalu. dimana ini adalah peramalan jangka
pendek seperti perencanaan persediaan, atau keuangan.
Metode smoothing dibagi lagi menjadi beberapa metode yaitu :
a. Moving Average
Moving average diperoleh dengan merata-rata permintaan berdasarkan beberapa
data masa lalu yang etrbaru. Tujuannya adalah untuk mengurangi atau
menghilangkan variasi acak permintaan dalam hubungannya dengan waktu.
Kelemahan dari MA adalah sebagai berikut :
1. Peramalan selalu berdasarkan pada N data terakhir tanpa mempertimbangkan
data data sebelumnya

2016 9
Kelompok 18
2. Setiap data dianggap memiliki bobot yang sama, padahal lebih masuk akal jika
data yang lebih baru akan mempunyai bobot yang lebih tinngi karena data
tersebut merepresentasikan kondisi yang terakhir terjadi. Kelemahan ini akan
diatasi dengan menggunakan teknik MA dengan pembobotan.
3. Diperlukan biaya yang cukup besar dalam penyimpanan dan pemrosesan
datanya, karena jika N cukup besar akan membutuhkan memori yang cukup
besar dan proses komputasinya menjadi lama.
Single moving average

Merupakan peramalan untuk satu periode ke depan dari periode rata-rata.
( xt xt 1 ...... xt N 1 ) 1 t
N t
Ft 1 xt
N t N 1 ................................... (2.1)
xt = Data pengamatan pada waktu ke-t

Ft+1 = Nilai ramalan pada waktu ke-t+1 dengan menggunakan metode single
moving average
Metode single moving average memiliki sifat khusus yaitu :
Untuk menentukan ramalan pada periode yang akan datang memerlukan data
historis selama jangka waktu tertentu
Semakin panjang jangka waktu moving average akan menghasilkan moving
average yang semakin halus. Artinya pada moving average yang jangka
waktunya lebih panjang perbedaan ramalan terkecil dengan ramalan terbesar
menjadi kecil.metode ini lebih cocok digunakan untuk melakukan forecast hal-
hal yang bersifat random, artinya tidak ada gejala trend naik maupun turun,
musiman dan sebagainya.
Weigthed moving average
Adalah metode perhitungan dengan cara mengalikan tiap-tiap periode dengan
faktor bobot dan membagikannya dengan hasil produk yang merupakan
penjumlahan faktor bobot.
Linier moving average
2016 10
Kelompok 18
Simple average
Merupakan suatu metode yang menggunakan data permintaan, kemudian
mencari rata ratanya.

+1 = = =1 ....................................(2.2)
Double moving average

t N 1
X
i 1
i
S't
N
...........................................(2.3)
t N 1
S'
i 1
i
S"t
N
...........................................(2.4)
at S't ( S't S"t ) 2S't S"t
...........................................(2.5)
2
bt ( S't S"t )
N 1
...........................................(2.6)
Ft m at bt .m
...........................................(2.7)
Pada double moving average terdapat tiga aspek yaitu (Subagyo,1986:7-11) :
o Menggunakan single moving average pada waktu t
o Terjadi penyesuaian antara single moving average double moving
average (St St) pada saat t.
o Terjadi penyesuaian trend t N + 1
b. Eksponensial Smoothing
Suatu tipe teknik peramlan rata-rata bergerak melakukan penimbangan
terhadap data masa lalu dengan cara eksponensial sehingga data paling akhir
mempuyai bobot atau timbangan lebih besar dalam rata-rata bergerak.

2016 11
Kelompok 18
Single eksponensial smoothing
.............................(2.8)
Pengertian dasar dari metode ini adalah nilai ramalan pada periode t+1
merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang
berasal dari kesalah nilai ramalan yang terjadi di pada periode t tersebut.
Double eksponensial smoothing

Metode ini digunakan ketika data menunjukkan adanya trend.
Exponential smoothing dengan adanya trend seperti pemulusan sederhana
kecuali bahwa dua komponen harus diupdate setiap periode level dan
trendnya. Level adalah estimasi yang dimuluskan dari nilai data pada akhir
masing - masing periode. Trend adalah estimasi yang dihaluskan dari
pertumbuhan rata-rata pada akhir masing-masing periode. (Makridakis, 1999).
St = * Yt + (1 ) * (St - 1 + bt - 1)
...........(2.9)
bt = * (St St - 1) + (1 ) * bt 1 (3)
...........(2.10)
Ft + m = St + bt m (4)
...........(2.11)
dimana:
St = peramalan untuk periode t.
Yt + (1-) = Nilai aktual time series
bt = trend pada periodeke - t
= parameter pertama perataan antara nol dan
1, = untuk pemulusan nilai observasi
= parameter kedua, untuk pemulusan trend
Ft+m = hasil peramalan ke - m
m = jumlah periode ke muka yang akan diramalkan

2016 12
Kelompok 18
Triple eksponensial smoothing

o Metode kuatratik satu parameter dari Brown
o Metode tiga parameter untuk kecenderungan dan musiman dari Winter
Metode box Jenkins dimana merupakan deret waktu dengan menggunakan
model matematis dan digunakan pula untuk peramalan jangka pendek. Metode
ini disebut juga dengan metode ARIMA. ARIMA sangat baik ketepatannya
untuk peramalan jangka pendek, sedangkan peramalan jangka panjang ketepatan
peramalannya kurang baik. Biasanya akan cenderung konstan untuk periode
yang cukup panjang. ARIMA menggunakan nilai masa lalu dan sekarang dari
variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat.
ARIMA cocok jika observasi dari deret waktu secara statistik berhubungan satu
sama lain (dependen).
Autoregressive Integrated Moving Average (ARIMA)Sebuah model time series
digunakan berdasarkan asumsi bahwa data time series yang digunakan harus
stasioner yang artinya rata-rata variasi dari data yang dimaksud konstan. Tapi
hal ini tidak banyak ditemui dalam banyak data time series yang ada, mayoritas
merupakan data yang tidak stasioner melainkan integrated.Data yang integrated
ini harus mengalami proses random stasioner yang seringkali tak dapat
dijelaskan dengan baik oleh autoregressive model saja atau moving average
model saja dikarenakan proses tersebut mengandung keduanya. Oleh karena itu
campuran kedua model yang disebut autoregressive integrated moving average
(ARIMA) menjadi lebih efektif menjelaskan proses itu. Pada model campuran
ini series stasioner merupakan fungsi linier dari nilai lampau beserta nilai
sekarang dan kesalahan lampaunya. Bentuk umum model ini adalah:

2016 13
Kelompok 18
Gambar 2.6 Bentuk Umum Model ARIMA

Proses autoregressive integrated moving average secara umum
dilambangkan dengan ARIMA (p,d,q), dimana:
o p menunjukkan ordo/derajat autoregressive (AR)
o d adalah tingkat proses differencing
o q menunjukkan ordo/derajat moving average (MA).
Metode Winter
Metode Winter didasarkan atas tiga persamaan pemulusan yaitu satu untuk
stationer, satu untuk trend, dan satu lagi untuk musiman.Hal ini serupa dengan
metode Holt dengan satu persamaan tambahan untuk mengatasi musiman.
Persamaan dasar untuk metode Winter adalah sebagai berikut (Handoko,
1984:279):
bt (St St 1 ) (1 )bt 1 (trend)
...........................(2.12)
Xt
It (1 ) I t L
S (musiman)
...........................(2.13)
Ft m (St bt .m) I t Lm
(ramalan)
...........................(2.14)
Xt
St (1 )( S t 1 bt 1
I t L (keseluruhan)
...........................(2.15)

2016 14
Kelompok 18
dimana:
L = panjang musiman
B = komponen trend
I = faktor penyesuaian musiman
Ft m = ramalan untuk n periode kedepan
2.3 Metode Metode Kausal

Merupakan suatu metode pendekatan sebab-akibat, berguna meramalkan keadaan
di masa depan melalui penemuan dan pengukuran beberapa variabel independen penting
dan pengaruhnya terhadap variabel tidak bebas yang akan diramalkan. Terdapat tiga
kelompok metode yang sering digunakan, antara lain (Salim, 2011):
- Metode regresi dan korelasi
Merupakan metode yang memakai teknik kuadrat terkecil (least square). Metoda
ini sering digunakan untuk prediksi jangka pendek. Misalkan, deposito dan tabungan
masyarakat.
- Metode ekonometri
Merupakan metode berdasarkan pada persamaan regresi yang didekati secara
simultan. Metoda ini sering digunakan untuk perencanaan ekonomi nasional dalam
jangka pendek maupun jangka panjang. Misalnya, meramalkan besarnya indikator
moneter buat beberapa tahun ke depan.
- Metode input output
Merupakan suatu metode yang biasa digunakan dalam perencanaan ekonomi
nasional jangka panjang. Misalnya, meramalkan pertumbuhan ekonomi seperti
pertumbuhan domestik bruto (PDB) untuk beberapa periode tahun ke depan 5-10 tahun
mendatang

2016 15
Kelompok 18
2.4 Pemilihan Metode Peramalan

Dalam mempengaruhi pemilihan teknik peramalan adalah melalui identifikasi
dan mengetahui pola data. Beberapa metode peramalan yang dapat digunakan antara
lain (Gaspersz, 2004):
1. Metode peramalan untuk data stasioner
Data stasioner merupakan suatu data yang memiliki nilai rata-ratanya tidak
berubah dari waktu ke waktu (stabil). Metode peramalan stasioner digunakan apabila
Data stabil, lingkungan yang berpengaruh relatif tetap. Contohnya, angka
kerusakan perminggu pada pemasangan bagian-bagian perakitan mesin
memiliki rata-rata produksi yang sama
Membutuhkan model sederhana karena keterbatasan data atau memudahkan
dalam penjelasan dan pelaksanaan. Misalnya, ketika bisnis atau organisasi itu
baru dan hanya sedikit data historis yang tersedia
Terdapat asumsi tertentu sehingga data menjadi lebih stabil. Misalnya,
mengganti pendapatan ke pendapatan perkapita atau mengganti penjualan dolar
ke jumlah dolar konstan.
Terdapat transformasi data sehingga menjadi stabil. Misalnya,
mentransformasikan rangkaian dengan menggunakan logaritma, akar kuadrat
atau pembedaan.
Data merupakan himpunan eror dari teknik peramalan yang dianggap cukup
bagus.
Metode yang dapat digunakan antara lain Nave, Simple average, Moving
average, Autoregressive moving average (ARMA)
2. Metode peramalan untuk data trend
Rangkaian Trend ditandai dengan kecenderungan arah data bergerak naik
(growth) atau turun (decline) pada jangka panjang sehingga diharapkan dapat
menambah atau mengurangi selama periode untuk ramalan yang diinginkan. Metode
peramalan untuk data trend berguna apabila
Daya produksi yang meningkat atau kemajuan teknologi hingga mendorong
perubahan gaya hidup. Misalnya, permintaan komponen elektronik meningkat
2016 16
Kelompok 18
dengan adanya komputer dan pemakaian jalan kereta api yang menurun karena
adanya pesawat terbang.
Pertambahan jumlah penduduk yang mendorong pada permintaan barang dan
jasa. Misalnya, pajak penjualan barang-barang konsumsi, permintaan konsumsi
energi, dan penggunaan bahan mentah.
Daya beli dolar yang mempengaruhi perekonomian(inflasi). Misalnya, gaji,biaya
produksi dan harga
Penerimaan pasar meningkat. Misalnya, periode pertumbuhan dalam putaran
produk baru
Metode yang dapat digunakan antara lain Moving average, Holt linear, Growth
curve, Exponential, Autoregressive integrated moving average, exponential smoothing,
Simple regression.
3. Metode peramalan untuk data musiman
Metode ini merupakan peramalan dengan pola pergantian yang berulang dari
tahun ke tahun. Dalam mengembangkan peramalan musiman melibatkan pemilihan
metode dekomposisi perkalian atau pembagian yang selanjutnya mengestimasi indeks
musiman dari sejarah rangkaian. Indeks ini kemudian berguna dalam memasukkan
musiman pada ramalan atau penghilangan efek dari nilai amatan. Proses terakhir
diarahkan sebagai pengaturan data musiman. Metode peramalan untuk data musiman
berguna apabila :
- Musim mempengaruhi variabel minat. Misalnya, konsumsi yang berhubungan
dengan listrik, kegiatan musim panas dan musim dingin, pakaian, musim tanam.
- Kalender tahunan (hari libur, hari besar) mempengaruhi variabel minat.
Misalnya, penjualan tiket memasuki obyek wisata dipengaruhi musim liburan.
Adapun metode yang dapat digunakan seperti Clasical decomposition, Multiple
regression, Autoregressive integrated moving average , Census X-12, Winters
exponential smoothing,
4. Metode peramalan untuk data siklis
Pola siklis susah dalam pemodelan sebab memiliki pola tidak stabil/ tetap.
Fluktuasi seperti gelombang yang naikturun disekitar Trend jarang terulang di interval

2016 17
Kelompok 18
waktu yang tetap dan memiliki fluktuasi yang bervariasi. Namun, karena sifat yang
tidak teratur dari siklus, penganalisaan komponen siklis dari rangkaian memerlukan
penemuan kejadian yang menjadi indikator ekonomi. Metode peramalan untuk data
siklis berguna apabila:
- Putaran bisnis mempengaruhi variabel minat. Misalnya, ekonomi, pasar dan
faktor persaingan.
- Terdapat pergantian selera, misalnya, music, fashion, makanan.
- Terjadinya perubahan dalam penduduk. Misalnya, peperangan, wabah penyakit
dan bencana alam
- Terdapat pergantian siklus produk. Misalnya, pengenalan, pertumbuhan,
kematangan dan kejenuhan pasar, dan penurunan.
Adapun metode yang dapat digunakan antara lain, Clasical decompotition,
Economic indicator, Econometrics model, Multiple regression, dan ARIMA
2.5 Verifikasi dan Validasi Model Peramalan

Setelah peramalan dilakukan untuk periode selanjutnya, maka perlu diverifikasi.
Verifikasi peramalan bertujuan untuk melihat apakah fungsi peramalan mewakili sistem
demad dan berguna sebagai alat kontrol (secara statistik) (Erlina, 2005). Verifikasi
terbagi menjadi dua golongan dalam tahap pemodelannya, yaitu verifikasi konseptual
dan verifikasi logis. Verifikasi model konseptual adalah pengujian relevansi asumsi-
asumsi dan teori-teori yang dipegang oleh pengambil keputusan dalam. Sedangkan
verifikasi logis merupakan tahap pemeriksaan dilibatkannya atau diabaikannya
hubungan beberapa variable. Kemudian, validasi dalam permalan berguna untuk
mengetahui apakah terdapat perbedaan yang signifikan antara peramalan yang telah
dibuat dengan data sebelumnya. Adapun metode-metode dalam validasi forecasting
antara lain (Rivai, 2010):
a. Uji F
Yaitu uji untuk melihat pengaruh semua variable bebasnya secara serentak terhadap
variabel terikatnya dapat pula berguna untuk menguji apakah model regresi yang dibuat
signifikan atau tidak.

2016 18
Kelompok 18
b. Uji Chi-Square
Salah satu jenis uji perbandingan non parametris yang dilakukan pada dua variable
yang memiliki skala nominal.
c. Uji t Berpasangan
Berguna dalam membandingkan nilai rata-rata yang diperoleh dari pengukuran dua
sampel yang saling berhubungan satu sama lain (dua sampel berpasangan). Dua sampel
berpasangan ini merupakan sebuah sampel dengan subyek yang sama, namun
mengalami dua perlakuan atau pengukuran yang berbeda.
d. Moving Range (MR)
Moving range dibuat guna membandingkan nilai-nilai amatan atau data aktual
dengan nilai peramalan dari kebutuhan yang sama. Moving range merupakan peta
kontrol statistik yang digunakan pada pengendalian kualitas. Peta moving range
memiliki batasan-batasan yang terdiri dari batas kontrol atas dan batas kontrol bawah.
Jika ada sebuah titik atau data yang berada di luar batas tersebut maka ada beberapa
data yang harus dihilangkan atau mencari metode peramalan yang lain. Moving Range
berguna dalam mengetahui sejauh mana arah pergerakan.
Rata-rata =
e. Tracking Signal
Merupakan suatu ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-
nilai aktual. Tracking signal bernilai positif menunjukkan bahwa nilai aktual permintaan
lebih besar daripada ramalan, sedangkan tracking signal yang negatif berarti nilai aktual
permintaan lebih kecil daripada ramalan. Tracking signal disebut baik apabila memiliki
RSFE yang rendah, dan mempunyai positive error yang sama banyak atau seimbang
dengan negative error, sehingga pusat dari tracking signal mendekati nol. Tracking
signal yang telah dihitung dapat dibuat peta kontrol untuk melihat kelayakkan data di
dalam batas kontrol atas dan batas kontrol bawah.

2016 19
Kelompok 18
2.6 Ekonometrika
Ekonometrika terkait dengan pengukuran hubungan ekonomi. Istilah ekonometrika
terbentuk dari dua kata Yunani, yaitu oiooa (economy) dan o (measure).
Ekonometrika merupakan suatu kombinasi dari teori ekonomi, matematika ekonomi dan
statisitk, namun ketiga aspek tersebut berbeda satu sama lain. Ekonometrika dapat
dipertimbangkan sebagai integrasi ilmu ekonomi, matematika dan statistika untuk
tujuan menyajikan nilai numerik untuk parameter dari suatu hubungan ekonomi.
Ekonometrika merupakan suatu bentuk khusus dari analisis dan penelitian ekonomi
yang diformulasikan dalam bentuk matematika dan dikombinasikan dengan pengukuran
empiris dari fenomena ekonomi. Metode ekonometrika adalah metode statistika yang
secara khusus disesuaikan terhadap kekhasan fenomena ekonomi. Kebanyakan sifat
penting dari hubungan ekonomi mencakup sebuah elemen acak (elemen random), yang
mana sering diabaikan dalam teori ekonomi dan matematika ekonomi yang menyatakan
hubungan secara eksak antara berbagai besaran-besaran ilmu ekonomi. Ekonometrika
telah membangun metode untuk mempetimbangkan komponen acak (randon
component) dari hubungan ekonomi (Kautsoyiannis, A. 1977).
2.7 EViews
Eviews merupakan program lain selain SPSS yang sering juga digunakan untuk
olah data secara statistic. Program olah data ini merupakan program olah data yang
menyediakan atau memberikan alat untuk melakukan regresi (regression) dan
peramalan (forecasting). Dengan program olah data E-Views dapat dikembangkan
suatu hubungan statistik dari suatu data yang dimiliki dan menggunakan hubungan dari
data yang sedang diamati tersebut untuk melakukan peramalan terhadap nilai data
yang dimaksudkan, terutama dalam konteks data runtun waktu (time series)
(elisa.ugm.ac.id/user/).
Kegunaan e-views adalah sebagai berikut:
1. Untuk melakukan peramalan
2. Untuk melakukan analisis biaya dan selanjutnya melakukan peramalan
3. Untuk melakukan analisis keuangan

2016 20
Kelompok 18
4. Untuk melakukan permalan dalam ekonomi makro

5. Untuk melakukan simulasi
6. Untuk melakukan analisis data ilmu pengetahuan dan melakukan evaluasi.
Berikut ini merupakan tampilan Eviews
Gambar 2.7 Tampilan EViews
1. Window memiliki fungsi berbeda satu sama lain. Jendela dalam EViews : Main
Window (Jendela Utama) Merupakan jendela program dari EViews. Semua
jendela yang lain dibuka melalui atau di dalam jendela ini.
2. Command Window (Jendela Program) berguna dalam mengetikkan perintah
macro Eviews
3. Database Window (Jendela Basis data) berguna dalam melakukan manajemen
terhadap beberapa Object dengan range berbeda.
4. Workfile Window (Jendela Workfile) berguna dalam melakukan manajemen
terhadap beberapa Object dengan range sama.
5. Object Window (Jendela Objek) berguna melakukan manajemen terhadap Object
(unit analisis terkecil dalam EViews)

2016 21
Kelompok 18
2.8 WinQSB
WinQSB merupakan suatu sistem interaktif dalam pengambilan keputusan berisi
alat yang berguna guna pemecahan berbagai jenis masalah dalam bidang riset operasi.
Sistem ini terdiri dari modul-modul yang berbeda, satu untuk setiap model jenis atau
masalah. WinQSB menggunakan mekanisme tampilan candela seperti Windows, yaitu
jendela, menu, toolbar, dan lain-lain. Berikut ini merupakan tampilan WINQSB. Berikut
ini merupakan tampilan WINQSB
Gambar 2.8 Tampilan WinQSB
Menu menu utama yang terdapat di WinQSB

1. File
Pilihan meliputi menu di Windows, yaitu untuk membuat dan menyimpan file
dengan masalah baru, membaca atau mencetak lain yang ada.
2. Edit
Termasuk masalah utilitas khas untuk mengedit, menyalin, menempel, memotong
dan membatalkan perubahan. Hal ini juga memungkinkan Anda untuk mengubah
nama-nama dari masalah, variabel, dan kendala. Ini memfasilitasi penghapusan

2016 22
Kelompok 18
atau penambahan variabel dan / atau pembatasan, dan memungkinkan optimasi

rasa.
3. Format
Termasuk pilihan untuk mengubah tampilan jendela, warna, font, alignment, sel
lebar, dan lain-lain
4. Solve and Analyze
Pilihan ini mencakup setidaknya dua perintah, satu untuk memecahkan masalah
dan lain untuk menyelesaikannya dengan mengikuti langkah-langkah dari
algoritma.
5. Result
Termasuk pilihan untuk melihat solusi untuk masalah dan membuat tepat daripada
menganalisis itu.
6. Utilities
Menu ini memungkinkan akses ke kalkulator, jam dan editor grafis sederhana.
7. Window
Memungkinkan Anda untuk menavigasi berbagai jendela yang muncul saat
mengoperasikan dengan program.
8. WinQSB
Termasuk pilihan untuk mengakses modul program lain.
9. Help
Mengakses bantuan online menggunakan program atau teknik yang digunakan
untuk memecahkan berbagai model. Memberikan informasi mengenai masing-
masing jendela di mana kita menemukan diri kita sendiri.
2.9 SPSS
SPSS adalah software yg digunakan untuk aplikasi statistik terutama mengolah
data. (Statistical Package for the Social Sciences) atau lebih dikenal dengan Paket
Statistik untuk Ilmu Sosial diciptakan oleh Norman Nie, seorang lulusan Fakultas Ilmu
Politik dari Stanford University. SPSS adalah salah satu program yang paling banyak
digunakan untuk analisis statistika ilmu sosial. SPSS digunakan oleh peneliti pasar,

2016 23
Kelompok 18
peneliti kesehatan, perusahaan survei, pemerintah, peneliti pendidikan, organisasi

pemasaran, dan sebagainya. Statistik yang termasuk software dasar SPSS diantaranya
adalah statistik deskriptif (tabulasi silang, frekuensi, deskripsi, penelusuran, statistik
deskripsi rasio), statistik bivariat (rata-rata, t-test, ANOVA, Korelasi/bivariat, parsial,
nonparametric tests), regresi linear, prediksi untuk mengidentifikasi kelompok (analisis
faktor, analisis cluster) (www.kompasiana.com).
Berikut ini merupakan output dari penggunaan forecasting pada SPSS.
Gambar 2.9 Tampilan SPSS

(sumber: https://www.youtube.com/watch?v=e88_vsU-hjo)

2016 24
Kelompok 18
BAB III
METODOLOGI PRAKTIKUM
Berikut adalah metodologi praktikum modul 1:
Mulai
Data
Market
Membuat Plot Data
Demand
Memilih Demand
Memilih Metode
Peramalan
Melakukan Peramalan
Menghitung error tiap

Metode Peramalan
Memilih Metode
Peramalan dengan
Melakukan Validasi
Hasil Peramalan
Tidak
Valid ?
Ya
Selesai
Gambar 3.1 Metodologi Praktikum

2016 25
Kelompok 18
Pada praktikum modul 1 yaitu Forecasting ini, input yang digunakan adalah data
market demand sebanyak 5 data yang telah diberikan yaitu koleksi, style, lomba, remaja,
dan anak-anak. Data market demand tersebut akan dibuat plot data. Setelah itu dari 5
data demand market pilih 3 demand saja dengan disertai alasannya. 3 demand market
yang telah dipilih harus terdiri dari data linear dan konstan. Kelompok kami memilih
data demand market koleksi, style, dan anak-anak. Kami tidak memilih demand market
remaja dan lomba dikarenakan untuk demand remaja trend datanya negatif. Trend data
negatif merupakan trend data yang mempunyai kecenderungan nilai ramalan menurun
seiring meningkatnya waktu. Sedangkan untuk demand lomba memiliki trend data yang
positif yaitu trend data yang mempunyai kecenderungan nilai ramalan meningkat seiring
meningkatnya waktu. Kami tidak memilih demand lomba dikarenakan walaupun
trendnya positif tetapi kenaikannya tidak terlalu siginifikan apabila dibandingkan
dengan demand style. Setelah memilih data demand market, selanjutnya adalah
memilih 5 metode peramalan untuk masing-masing plot data, sehingga untuk data linear
menggunakan 5 metode dan untuk data konstan juga menggunakan 5 metode. Metode
yang kami pilih untuk data linear adalah 3DMA, 5DMA, ARIMA, DEST, dan SEST,
sedangkan untuk data konstan yaitu 3SMA, 5SMA, 3CMA, 5CMA, dan 3WMA.
Setelah menentukan metode peramalan kemudian dilakukan peramalan dengan
menggunakan metode yang telah dipilih. Setelah peramalan dilakukan, selanjutnya yaitu
menghitung error pada tiap metode peramalan. Metode yang digunakan dalam
perhitungan error adalah sebanyak 5 metode yaitu MAE, MAPE, MSE, NF1. dan U-
theil. Setelah error dihitung kemudian memilih metode terbaik dengan melihat error
yang terkecil. Selanjutnya melakukan validasi hasil peramalan, hasil peramalan yang
divalidasi adalah hasil peramalan dari metode yang terbaik. Validasi berguna untuk
mengetahui apakah terdapat perbedaan yang signifikan antara hasil peramalan yang
telah dibuat dengan data permintaan masa lalu. Apabila datanya valid maka proses
peramalan akan selesai, namun apabila belum valid praktikan harus mengulangi tahap
pemilihan metode peramalan.

2016 26
Kelompok 18
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
4.1 Pengumpulan Data

Tabel berikut merupakan data historis pasar yang menyangkut tentang segmentasi
pasar Tamiya 4WD yang akan dipilih berdasarkan prospek permintaan (demand) dari
periode Oktober 2012 sampai dengan periode September 2016. Segmentasi pasar yang
dipilih terdiri dari 3 segmen, yaitu Koleksi, Style dan anak-anak
Tabel 4.1 Data Historis Permintaan
Anak-
Tahun Bulan Periode Koleksi Style
anak
OCT 1 5183 2982 3594
2012 NOV 2 5525 3009 5527
DEC 3 4182 3110 5335
JAN 4 6084 3153 5506
FEB 5 4398 3161 4851
MAR 6 4113 3163 4004
APR 7 3870 3203 5536
MAY 8 5813 3439 4057
JUN 9 4633 3447 3865
2013
JUL 10 5720 3526 5539
AUG 11 6327 3714 4597
SEP 12 4418 3786 3852
OCT 13 5062 3833 4811
NOV 14 5944 3903 5017
DEC 15 5952 4035 5653
JAN 16 3557 4056 4111
FEB 17 5519 4154 4708
MAR 18 5825 4194 5111
APR 19 6356 4294 5156
2014
MAY 20 5776 4383 4678
JUN 21 5072 4394 3907
JUL 22 3924 4463 4561
AUG 23 5447 4516 5527

2016 27
Kelompok 18
Lanjutan Tabel 4.1 Data Historis Permintaan
Anak-
anak
SEP 24 4997 4606 5935
OCT 25 4788 4619 4729
2014
NOV 26 6216 4686 5172
DEC 27 5464 4706 4941
JAN 28 6323 4762 3897
FEB 29 3671 4838 4229
MAR 30 5167 4930 4286
APR 31 5785 4936 4548
MAY 32 5676 4994 5756
JUN 33 3777 5028 4474
2015
JUL 34 3199 5037 5252
AUG 35 4775 5099 4819
SEP 36 4059 5143 5463
OCT 37 5349 5147 5665
NOV 38 5775 5158 5419
DEC 39 5131 5195 4341
JAN 40 5406 5345 4547
FEB 41 4187 5350 4155
MAR 42 3272 5362 5673
APR 43 3610 5363 5376
2016 MAY 44 3219 5427 5286
JUN 45 4524 5456 4170
JUL 46 5472 5737 4344
AUG 47 5825 5740 5656
SEP 48 5103 5869 4932
4.2 Pengolahan Data

4.2.1 Plot Data
Data yang digunakan untuk forecasting pada praktikum ini adalah data segmentasi
pasar periode Oktober 2012 sampai dengan September 2016. Berikut merupakan hasil
plot data dari ketiga segmentasi pasar yang dipilih :

2016 28
Kelompok 18
1. Segmentasi pasar Koleksi
Koleksi
7000
6000
Segmentasi pasar
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Periode
Gambar 4.1 Plot Data Segmentasi pasar Koleksi

Plot data pada gambar 4.1 terlihat bahwa plot data segmentasi pasar dari Koleksi
memiliki pola grafik yang konstan yaitu berpola naik dan turun secara bergantian
2. Segmentasi pasar Style
Style
7000
6000
Segmentasi pasar
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
Periode
Gambar 4.2 Plot Data Segmentasi pasar Style

Plot data pada gambar 4.2 terlihat bahwa plot data segmentasi pasar dari Style
memiliki pola grafik linier yaitu semakin bertambahnya periode semakin tinggi pula
segmentasi pasarnya

2016 29
Kelompok 18
3. Segmentasi pasar Anak-anak
Anak-anak
7000
Segmentasi pasar
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11131517192123252729313335373941434547
Periode
Gambar 4.3 Plot Data Segmentasi pasar Anak-anak

Plot data pada gambar 4.3 terlihat bahwa plot data segmentasi pasar dari Anak-
anak memiliki pola grafik yang konstan yaitu berpola naik dan turun secara bergantian
4.2.2 Pemilihan Demand

Berdasarkan plot data yang telah ditentukan, dapat ditentukan demand yang
dipilih adalah segmentasi koleksi, anak-anak, dan style. Berikut adalah data demand
ketiga segmen tersebut :
Tabel 4.2 Pemilihan Demand
Anak-
anak
OCT 1 5183 2982 3594
2012 NOV 2 5525 3009 5527
DEC 3 4182 3110 5335
JAN 4 6084 3153 5506
FEB 5 4398 3161 4851
MAR 6 4113 3163 4004
APR 7 3870 3203 5536
MAY 8 5813 3439 4057
JUN 9 4633 3447 3865
2013 JUL 10 5720 3526 5539

2016 30
Kelompok 18
Tabel 4.2 Pemilihan Demand (Lanjutan)

Anak-
anak
AUG 11 6327 3714 4597
SEP 12 4418 3786 3852
OCT 13 5062 3833 4811
NOV 14 5944 3903 5017
DEC 15 5952 4035 5653
JAN 16 3557 4056 4111
FEB 17 5519 4154 4708
MAR 18 5825 4194 5111
APR 19 6356 4294 5156
MAY 20 5776 4383 4678
JUN 21 5072 4394 3907
2014 JUL 22 3924 4463 4561
AUG 23 5447 4516 5527
SEP 24 4997 4606 5935
OCT 25 4788 4619 4729
NOV 26 6216 4686 5172
DEC 27 5464 4706 4941
JAN 28 6323 4762 3897
FEB 29 3671 4838 4229
MAR 30 5167 4930 4286
APR 31 5785 4936 4548
2015 MAY 32 5676 4994 5756
JUN 33 3777 5028 4474
JUL 34 3199 5037 5252
AUG 35 4775 5099 4819
SEP 36 4059 5143 5463
OCT 37 5349 5147 5665
NOV 38 5775 5158 5419
DEC 39 5131 5195 4341
JAN 40 5406 5345 4547
2016 FEB 41 4187 5350 4155
MAR 42 3272 5362 5673

2016 31
Kelompok 18
Tabel 4.2 Pemilihan Demand (Lanjutan)

Kole Anak-
Tahun Bulan Periode Style
ksi anak
APR 43 3610 5363 5376
2016 MAY 44 3219 5427 5286
JUN 45 4524 5456 4170
JUL 46 5472 5737 4344
AUG 47 5825 5740 5656
SEP 48 5103 5869 4932
Data Plot Konstan (Koleksi dan Anak-anak) :

Tabel 4.3 Data Plot Konstan
TAHUN BULAN PERIODE KOLEKSI ANAK2 TOTAL

OCT 1 5183 3594 8777
2012 NOV 2 5525 5527 11052
DEC 3 4182 5335 9517
JAN 4 6084 5506 11590
FEB 5 4398 4851 9249
MAR 6 4113 4004 8117
APR 7 3870 5536 9406
MAY 8 5813 4057 9870
JUN 9 4633 3865 8498
2013 JUL 10 5720 5539 11259
AUG 11 6327 4597 10924
SEP 12 4418 3852 8270
OCT 13 5062 4811 9873
NOV 14 5944 5017 10961
DEC 15 5952 5653 11605
JAN 16 3557 4111 7668
FEB 17 5519 4708 10227
MAR 18 5825 5111 10936
APR 19 6356 5156 11512
MAY 20 5776 4678 10454
JUN 21 5072 3907 8979
2014 JUL 22 3924 4561 8485
AUG 23 5447 5527 10974

2016 32
Kelompok 18
Tabel 4.3 Data Plot Konstan (Lanjutan)

Anak-
anak
2014 SEP 24 4997 5935 10932
OCT 25 4788 4729 9517
NOV 26 6216 5172 11388
DEC 27 5464 4941 10405
JAN 28 6323 3897 10220
FEB 29 3671 4229 7900
MAR 30 5167 4286 9453
APR 31 5785 4548 10333
2015 MAY 32 5676 5756 11432
JUN 33 3777 4474 8251
JUL 34 3199 5252 8451
AUG 35 4775 4819 9594
SEP 36 4059 5463 9522
OCT 37 5349 5665 11014
NOV 38 5775 5419 11194
DEC 39 5131 4341 9472
JAN 40 5406 4547 9953
FEB 41 4187 4155 8342
MAR 42 3272 5673 8945
APR 43 3610 5376 8986
2016 MAY 44 3219 5286 8505
JUN 45 4524 4170 8694
JUL 46 5472 4344 9816
AUG 47 5825 5656 11481
SEP 48 5103 4932 10035
TOTAL 239470 232568 472038
% 50,73 49,27 100
4.2.3 Peramalan
4.2.3.1 Pemilihan Metode Peramalan dan Error
4.2.3.2 Data Pola Konstan

2016 33
Kelompok 18
3 SMA
- Manual
8777+11052+9517
Permalan : F(t)1 = = 9782,00
3
Error : Demand Peramalan = 11590 9782 = 1808

Sqr error : Error 2 = (1808)2 = 3268864
Error : 1808 = 1808
1808
PE : 11590 = 15,60
PE : 15,60 = 15,60
(+1)(+1) 2 10719,679249 2
Pembilang : 1
=1 ( ) = 1
=1 ( ) = 0,016101
11590
924911590 2
Penyebut : 1
=1 ( ) = 0,040798
11590
(+1) 110528777
Galat R : = = 0,259200
8777
Tabel 4.4 Perhitungan Manual 3 SMA

Periode X(t) F(t) Error Error^2 |Error| PE |PE| Pembilang Penyebut |Galat|
1 8777
2 11052 0,259200
3 9517 0,138889
4 11590 9782,00 1808,00 3268864,00 1808,00 15,60 15,60 0,016101 0,040798 0,217821
5 9249 10719,67 -1470,67 2162860,44 1470,67 -15,90 15,90 0,046838 0,014980 0,201984
6 8117 10118,67 -2001,67 4006669,44 2001,67 -24,66 24,66 0,000918 0,025218 0,122392
7 9406 9652,00 -246,00 60516,00 246,00 -2,62 2,62 0,010115 0,002433 0,158803
8 9870 8924,00 946,00 894916,00 946,00 9,58 9,58 0,004113 0,019323 0,049330
9 8498 9131,00 -633,00 400689,00 633,00 -7,45 7,45 0,055445 0,105560 0,139007
10 11259 9258,00 2001,00 4004001,00 2001,00 17,77 17,77 0,008670 0,000885 0,324900
11 10924 9875,67 1048,33 1099002,78 1048,33 9,60 9,60 0,032094 0,059025 0,029754
12 8270 10227,00 -1957,00 3829849,00 1957,00 -23,66 23,66 0,001130 0,037571 0,242951
13 9873 10151,00 -278,00 77284,00 278,00 -2,82 2,82 0,016599 0,012144 0,193833
14 10961 9689,00 1272,00 1617984,00 1272,00 11,60 11,60 0,030163 0,003452 0,110200
15 11605 9701,33 1903,67 3623946,78 1903,67 16,40 16,40 0,073443 0,115091 0,058754
16 7668 10813,00 -3145,00 9891025,00 3145,00 -41,01 41,01 0,000378 0,111372 0,339250
17 10227 10078,00 149,00 22201,00 149,00 1,46 1,46 0,011625 0,004806 0,333725
18 10936 9833,33 1102,67 1215873,78 1102,67 10,08 10,08 0,030238 0,002774 0,069326
19 11512 9610,33 1901,67 3616336,11 1901,67 16,52 16,52 0,001445 0,008446 0,052670
20 10454 10891,67 -437,67 191552,11 437,67 -4,19 4,19 0,036175 0,019908 0,091904
21 8979 10967,33 -1988,33 3953469,44 1988,33 -22,14 22,14 0,041538 0,003027 0,141094
22 8485 10315,00 -1830,00 3348900,00 1830,00 -21,57 21,57 0,038645 0,086049 0,055017

2016 34
Kelompok 18
Tabel 4.4 Perhitungan Manual 3 SMA (Lanjutan)

23 10974 9306,00 1668,00 2782224,00 1668,00 15,20 15,20 0,017523 0,000015 0,293341
24 10932 9479,33 1452,67 2110240,44 1452,67 13,29 13,29 0,003148 0,016754 0,003827
25 9517 10130,33 -613,33 376177,78 613,33 -6,44 6,44 0,009217 0,038650 0,129437
26 11388 10474,33 913,67 834786,78 913,67 8,02 8,02 0,000331 0,007451 0,196596
27 10405 10612,33 -207,33 42987,11 207,33 -1,99 1,99 0,000434 0,000316 0,086319
28 10220 10436,67 -216,67 46944,44 216,67 -2,12 2,12 0,073514 0,051532 0,017780
29 7900 10671,00 -2771,00 7678441,00 2771,00 -35,08 35,08 0,000049 0,038645 0,227006
30 9453 9508,33 -55,33 3061,78 55,33 -0,59 0,59 0,014595 0,008666 0,196582
31 10333 9191,00 1142,00 1304164,00 1142,00 11,05 11,05 0,045468 0,011312 0,093092
32 11432 9228,67 2203,33 4854677,78 2203,33 19,27 19,27 0,035534 0,077425 0,106358
33 8251 10406,00 -2155,00 4644025,00 2155,00 -26,12 26,12 0,035487 0,000588 0,278254
34 8451 10005,33 -1554,33 2415952,11 1554,33 -18,39 18,39 0,000653 0,018293 0,024239
35 9594 9378,00 216,00 46656,00 216,00 2,25 2,25 0,006220 0,000056 0,135250
36 9522 8765,33 756,67 572544,44 756,67 7,95 7,95 0,036734 0,024552 0,007505
37 11014 9189,00 1825,00 3330625,00 1825,00 16,57 16,57 0,010915 0,000267 0,156690
38 11194 10043,33 1150,67 1324033,78 1150,67 10,28 10,28 0,009738 0,023664 0,016343
39 9472 10576,67 -1104,67 1220288,44 1104,67 -11,66 11,66 0,004107 0,002579 0,153832
40 9953 10560,00 -607,00 368449,00 607,00 -6,10 6,10 0,035086 0,026199 0,050781
41 8342 10206,33 -1864,33 3475738,78 1864,33 -22,35 22,35 0,001387 0,005225 0,161861
42 8945 9255,67 -310,67 96513,78 310,67 -3,47 3,47 0,000110 0,000021 0,072285
43 8986 9080,00 -94,00 8836,00 94,00 -1,05 1,05 0,000791 0,002865 0,004584
44 8505 8757,67 -252,67 63840,44 252,67 -2,97 2,97 0,000192 0,000494 0,053528
45 8694 8812,00 -118,00 13924,00 118,00 -1,36 1,36 0,015651 0,016655 0,022222
46 9816 8728,33 1087,67 1183018,78 1087,67 11,08 11,08 0,063626 0,028771 0,129055
47 11481 9005,00 2476,00 6130576,00 2476,00 21,57 21,57 0,000011 0,015863 0,169621
48 10035 9997,00 38,00 1444,00 38,00 0,38 0,38 0,125947
49 10444,00
50 10444,00
51 10444,00
52 10444,00
53 10444,00
54 10444,00
55 10444,00
56 10444,00
57 10444,00
58 10444,00
59 10444,00
60 10444,00
61 10444,00
62 10444,00
63 10444,00
64 10444,00
65 10444,00
66 10444,00
67 10444,00

2016 35
Kelompok 18

68 10444,00
69 10444,00
70 10444,00
71 10444,00
72 10444,00
73 10444,00
74 10444,00
75 10444,00
76 10444,00
77 10444,00
78 10444,00
79 10444,00
80 10444,00
81 10444,00
82 10444,00
83 10444,00
84 10444,00
85 10444,00
86 10444,00
87 10444,00
88 10444,00
89 10444,00
90 10444,00
91 10444,00
92 10444,00
93 10444,00
94 10444,00
95 10444,00
96 10444,00
Jumlah 1150,33 92216110,56 52973,67 -60,17 551,23 0,876195 1,089720 6,243139
Perhitungan Error
1150,33
ME = = = 25,56
45
|| 551,23
MAPE = = = 12,25
45
2 92216110,56
MSE = = = 2049246,90
45
1
| |
NF1 = (
) 100 = 13,28
1

2016 36
Kelompok 18
2
[ +1 +1 ]

U-THEIL = +1 2
= 0,90
[ ]

Dari hasil perhitungan error manual di atas maka dapat dibuat tabel rekap perhitungan
error sebagai berikut:
Tabel 4.5 Rekap Perhitungan Error 3 SMA
ME 25,56
MAPE 12,25
MSE 2049246,90
NF1 13,28
U-THEIL 0,90
- Software WinQSB
Berikut merupakan hasil output perhitungan metode 3 SMA menggunakan
software WinQSB:
Tabel 4.6 Perhitungan WinQSB 3 SMA
Forecast Result for 3SMA
MAPE
Actual Forecast by Forecast CFE MAD MSE (%) Tracking R-square
Month Data 3-MA Error Signal
1 8777
2 11052
3 9517
4 11590 9782 1808 1808 1808 3E+06 15,59966 1
5 9249 10719,67 -1470,667 337,33 1639,3 3E+06 15,75024 0,2057745 0,1811974
6 8117 10118,67 -2001,667 -1664 1760,1 3E+06 18,72022 -0,9455845 0,2190765
7 9406 9652 -246 -1910 1381,6 2E+06 14,694 -1,382713 0,2522891
8 9870 8924 946 -964,3 1294,5 2E+06 13,67212 -0,7449662 0,3000798
9 8498 9131 -633 -1597 1184,2 2E+06 12,6349 -1,348846 0,3438552
10 11259 9258 2001 403,67 1300,9 2E+06 13,36884 0,3102963 0,2292369
11 10924 9875,667 1048,333 1452 1269,3 2E+06 12,89731 1,143907 0,2282461
12 8270 10227 -1957 -505 1345,7 2E+06 14,09359 -0,3752587 0,1929646
13 9873 10151 -278 -783 1239 2E+06 12,96581 -0,631979 0,2057277
14 10961 9689 1272 489 1242 2E+06 12,84208 0,3937286 0,1843798
15 11605 9701,333 1903,667 2392,7 1297,1 2E+06 13,13889 1,844611 0,1800752
16 7668 10813 -3145 -752,3 1439,3 3E+06 15,28318 -0,522724 0,1667607
17 10227 10078 149 -603,3 1347,1 2E+06 14,29559 -0,4478777 0,1668303
18 10936 9833,333 1102,667 499,33 1330,8 2E+06 14,01474 0,3752126 0,1585816

2016 37
Kelompok 18
Tabel 4.6 Perhitungan WinQSB 3 SMA (Lanjutan)

MAPE
19 11512 9610,333 1901,667 2401 1366,5 2E+06 14,17126 1,75707 0,1591763
20 10454 10891,67 -437,667 1963,3 1311,8 2E+06 13,58393 1,496622 0,1909933
21 8979 10967,33 -1988,333 -25 1349,4 2E+06 14,0595 -0,0185264 0,213548
22 8485 10315 -1830 -1855 1374,7 2E+06 14,45466 -1,349366 0,2086131
23 10974 9306 1668 -187 1389,4 3E+06 14,4919 -0,1345921 0,2094667
24 10932 9479,333 1452,667 1265,7 1392,4 2E+06 14,43458 0,9089843 0,2123312
25 9517 10130,33 -613,333 652,33 1357 2E+06 14,0714 0,4807231 0,2103629
26 11388 10474,33 913,667 1566 1337,7 2E+06 13,80843 1,170658 0,2090862
27 10405 10612,33 -207,333 1358,7 1290,6 2E+06 13,31611 1,052732 0,2191548
28 10220 10436,67 -216,667 1142 1247,7 2E+06 12,86826 0,9153191 0,2238208
29 7900 10671 -2771 -1629 1306,2 2E+06 13,72241 -1,247087 0,2103881
30 9453 9508,333 -55,33301 -1684 1259,9 2E+06 13,23585 -1,336863 0,2158305
31 10333 9191 1142 -542,3 1255,7 2E+06 13,15785 -0,4318953 0,2292099
32 11432 9228,667 2203,333 1661 1288,4 2E+06 13,36873 1,289217 0,2330359
33 8251 10406 -2155 -494 1317,3 2E+06 13,79371 -0,3750182 0,219682
34 8451 10005,33 -1554,333 -2048 1324,9 2E+06 13,94205 -1,546011 0,2121068
35 9594 9378 216 -1832 1290,3 2E+06 13,57672 -1,420126 0,2183781
36 9522 8765,333 756,667 -1076 1274,1 2E+06 13,40611 -0,8442608 0,245525
37 11014 9189 1825 749,34 1290,3 2E+06 13,49916 0,5807474 0,2495954
38 11194 10043,33 1150,667 1900 1286,3 2E+06 13,40716 1,477101 0,2438317
39 9472 10576,67 -1104,667 795,34 1281,3 2E+06 13,3587 0,6207448 0,2498733
40 9953 10560 -607 188,34 1263 2E+06 13,16248 0,1491129 0,2575077
41 8342 10206,33 -1864,333 -1676 1278,9 2E+06 13,40422 -1,310541 0,2479813
42 8945 9255,667 -310,667 -1987 1254 2E+06 13,14958 -1,584219 0,2530341
43 8986 9080 -94 -2081 1225 2E+06 12,84699 -1,698456 0,2624871
44 8505 8757,667 -252,667 -2333 1201,3 2E+06 12,60611 -1,942311 0,2776145
45 8694 8812 -118 -2451 1175,5 2E+06 12,33828 -2,08531 0,2911918
46 9816 8728,333 1087,667 -1364 1173,5 2E+06 12,30903 -1,162069 0,311062
47 11481 9005 2476 1112,3 1203,1 2E+06 12,51942 0,92457 0,3073893
48 10035 9997 38 1150,3 1177,2 2E+06 12,24962 0,9771849 0,3077902
49 10444
50 10444
51 10444
52 10444
53 10444
54 10444
55 10444
56 10444
57 10444
58 10444
59 10444
60 10444
61 10444
62 10444
63 10444
64 10444
65 10444
66 10444
67 10444
68 10444

2016 38
Kelompok 18
Tabel 4.6 Perhitungan WinQSB 3 SMA (Lanjutan)

MAPE
69 10444
70 10444
71 10444
72 10444
73 10444
74 10444
75 10444
76 10444
77 10444
78 10444
79 10444
80 10444
81 10444
82 10444
83 10444
84 10444
85 10444
86 10444
87 10444
88 10444
89 10444
90 10444
91 10444
92 10444
93 10444
94 10444
95 10444
96 10444
CFE 1150,335
MAD 1177,193
MSE 2049247
MAPE 12,24962
Trk.Signal 0,9771849
R-square 0,3077902
m=3

2016 39
Kelompok 18
-Grafik Peramalan
Berikut adalah grafik demand dan peramalan 3SMA :
Grafik Demand dan Peramalan 3SMA

14000
12000
10000
8000
6000
4000
2000
0
1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93
X(t) F(t)
Gambar 4.4 Grafik Demand dan Peramalan 3 SMA
5 SMA
- Manual
8777+11052+9517
Permalan : F(t)1 = = 9782,00
3

Sqr error : Error 2 = (1808)2 = 3268864
Error : 1808 = 1808
1808
PE : 11590 = 15,60
PE : 15,60 = 15,60
(+1)(+1) 2 9905,009406 2
Pembilang : 1
=1 ( ) =( ) = 0,003779
9406
(+1) 2 99058117 2
Penyebut : 1
=1 ( ) =( ) = 0,025218
8117
(+1) 110528777
Galat R : = = 0,259200
11052

2016 40
Kelompok 18
Berikut merupakan tabel rekap perhitungan manual 5 SMA:

Tabel 4.7 Perhitungan Manual 5 SMA
1 8777
2 11052 0,259200
3 9517 0,138889
4 11590 0,217821
5 9249 0,201984
6 8117 10037,00 -1920,00 3686400,00 1920,00 -23,65 23,65 0,003779 0,025218 0,122392
7 9406 9905,00 -499,00 249001,00 499,00 -5,31 5,31 0,000978 0,002433 0,158803
8 9870 9575,80 294,20 86553,64 294,20 2,98 2,98 0,013538 0,019323 0,049330
9 8498 9646,40 -1148,40 1318822,56 1148,40 -13,51 13,51 0,068923 0,105560 0,139007
10 11259 9028,00 2231,00 4977361,00 2231,00 19,82 19,82 0,017608 0,000885 0,324900
11 10924 9430,00 1494,00 2232036,00 1494,00 13,68 13,68 0,024831 0,059025 0,029754
12 8270 9991,40 -1721,40 2963217,96 1721,40 -20,81 20,81 0,000173 0,037571 0,242951
13 9873 9764,20 108,80 11837,44 108,80 1,10 1,10 0,014679 0,012144 0,193833
14 10961 9764,80 1196,20 1430894,44 1196,20 10,91 10,91 0,015115 0,003452 0,110200
15 11605 10257,40 1347,60 1816025,76 1347,60 11,61 11,61 0,052483 0,115091 0,058754
16 7668 10326,60 -2658,60 7068153,96 2658,60 -34,67 34,67 0,005175 0,111372 0,339250
17 10227 9675,40 551,60 304262,56 551,60 5,39 5,39 0,007223 0,004806 0,333725
18 10936 10066,80 869,20 755508,64 869,20 7,95 7,95 0,012704 0,002774 0,069326
19 11512 10279,40 1232,60 1519302,76 1232,60 10,71 10,71 0,000031 0,008446 0,052670
20 10454 10389,60 64,40 4147,36 64,40 0,62 0,62 0,012750 0,019908 0,091904
21 8979 10159,40 -1180,40 1393344,16 1180,40 -13,15 13,15 0,046518 0,003027 0,141094
22 8485 10421,60 -1936,60 3750419,56 1936,60 -22,82 22,82 0,011271 0,086049 0,055017
23 10974 10073,20 900,80 811440,64 900,80 8,21 8,21 0,006016 0,000015 0,293341
24 10932 10080,80 851,20 724541,44 851,20 7,79 7,79 0,001678 0,016754 0,003827
25 9517 9964,80 -447,80 200524,84 447,80 -4,71 4,71 0,028640 0,038650 0,129437
26 11388 9777,40 1610,60 2594032,36 1610,60 14,14 14,14 0,000164 0,007451 0,196596
27 10405 10259,20 145,80 21257,64 145,80 1,40 1,40 0,001654 0,000316 0,086319
28 10220 10643,20 -423,20 179098,24 423,20 -4,14 4,14 0,064343 0,051532 0,017780
29 7900 10492,40 -2592,40 6720537,76 2592,40 -32,82 32,82 0,003004 0,038645 0,227006
30 9453 9886,00 -433,00 187489,00 433,00 -4,58 4,58 0,002366 0,008666 0,196582
31 10333 9873,20 459,80 211416,04 459,80 4,45 4,45 0,029336 0,011312 0,093092
32 11432 9662,20 1769,80 3132192,04 1769,80 15,48 15,48 0,019997 0,077425 0,106358
33 8251 9867,60 -1616,60 2613395,56 1616,60 -19,59 19,59 0,015366 0,000588 0,278254
34 8451 9473,80 -1022,80 1046119,84 1022,80 -12,10 12,10 0,000001 0,018293 0,024239
35 9594 9584,00 10,00 100,00 10,00 0,10 0,10 0,000088 0,000056 0,135250
36 9522 9612,20 -90,20 8136,04 90,20 -0,95 0,95 0,026978 0,024552 0,007505
37 11014 9450,00 1564,00 2446096,00 1564,00 14,20 14,20 0,027534 0,000267 0,156690
38 11194 9366,40 1827,60 3340121,76 1827,60 16,33 16,33 0,001862 0,023664 0,016343
39 9472 9955,00 -483,00 233289,00 483,00 -5,10 5,10 0,000474 0,002579 0,153832
40 9953 10159,20 -206,20 42518,44 206,20 -2,07 2,07 0,036021 0,026199 0,050781
41 8342 10231,00 -1889,00 3568321,00 1889,00 -22,64 22,64 0,015843 0,005225 0,161861
42 8945 9995,00 -1050,00 1102500,00 1050,00 -11,74 11,74 0,004428 0,000021 0,072285
43 8986 9581,20 -595,20 354263,04 595,20 -6,62 6,62 0,004987 0,002865 0,004584
44 8505 9139,60 -634,60 402717,16 634,60 -7,46 7,46 0,000879 0,000494 0,053528
45 8694 8946,20 -252,20 63604,84 252,20 -2,90 2,90 0,016643 0,016655 0,022222
46 9816 8694,40 1121,60 1257986,56 1121,60 11,43 11,43 0,064440 0,028771 0,129055
47 11481 8989,20 2491,80 6209067,24 2491,80 21,70 21,70 0,002201 0,015863 0,169621
48 10035 9496,40 538,60 290089,96 538,60 5,37 5,37 0,125947
49 9706,20

2016 41
Kelompok 18

50 9706,20
51 9706,20
52 9706,20
53 9706,20
54 9706,20
55 9706,20
56 9706,20
57 9706,20
58 9706,20
59 9706,20
60 9706,20
61 9706,20
62 9706,20
63 9706,20
64 9706,20
65 9706,20
66 9706,20
67 9706,20
68 9706,20
69 9706,20
70 9706,20
71 9706,20
72 9706,20
73 9706,20
74 9706,20
75 9706,20
76 9706,20
77 9706,20
78 9706,20
79 9706,20
80 9706,20
81 9706,20
82 9706,20
83 9706,20
84 9706,20
85 9706,20
86 9706,20
87 9706,20
88 9706,20
89 9706,20
90 9706,20
91 9706,20
92 9706,20
93 9706,20
94 9706,20
95 9706,20
96 9706,20
Jumlah -119,40 71328145,24 45481,80 -65,99 476,72 0,682725 1,033942 6,243139

2016 42
Kelompok 18
Perhitungan Error
|| 45481,80
MAE = = = 1057,72
45
|| 476,72
MAPE = = = 11,09
45
2 71328145,24
MSE = = = 1658794,08
45
1
| |
NF1 = (
) 100 = 13,28
1
2
[ +1 +1 ]

U-THEIL = +1 2
= 0,81
[ ]

Tabel 4.8 Rekap Perhitungan Error 5 SMA
MAE 1057,72
MAPE 11,09
MSE 1658794,08
NF1 13,28
U-THEIL 0,81
- Software WinQSB
Berikut merupakan hasil output perhitungan metode 5 SMA menggunakan
software WinQSB:
Tabel 4.9 Perhitungan 5 SMA dengan WinQSB
Forecast
Result for
5 SMA
MAPE
1 8777
2 11052
3 9517
4 11590
5 9249

2016 43
Kelompok 18
Tabel 4.9 Perhitungan 5 SMA dengan WinQSB (Lanjutan)

MAPE
6 8117 10037 -1920 -1920 1920 4E+06 23,65406 -1
7 9406 9905 -499 -2419 1210 2E+06 14,47959 -2
8 9870 9575,8 294,2002 -2124,8 904,4 1E+06 10,64664 -2,349402 0,9804944
9 8498 9646,4 -1148,4 -3273,2 965,4 1E+06 11,36343 -3,390511
10 11259 9028 2231 -1042,2 1219 2E+06 13,05379 -0,8552999 0,1343384
11 10924 9430 1494 451,8 1264 2E+06 13,15755 0,357314 8,47E-02
12 8270 9991,4 -1721,4 -1269,6 1330 2E+06 14,25147 -0,9547919 0,1033499
13 9873 9764,2 108,7998 -1160,8 1177 2E+06 12,60778 -0,986153 9,66E-02
14 10961 9764,8 1196,2 35,399 1179 2E+06 12,4195 3,00E-02 6,77E-02
15 11605 10257,4 1347,6 1383 1196 2E+06 12,33877 1,156296 8,53E-02
16 7668 10326,6 -2658,6 -1275,6 1329 2E+06 14,36901 -0,9598067 7,97E-02
17 10227 9675,4 551,5996 -724 1264 2E+06 13,62105 -0,5726799 0,0739273
18 10936 10066,8 869,2002 145,2 1234 2E+06 13,18467 0,1176802 7,07E-02
19 11512 10279,4 1232,6 1377,8 1234 2E+06 13,0077 1,11675 7,72E-02
20 10454 10389,6 64,40039 1442,2 1156 2E+06 12,18159 1,247793 8,83E-02
21 8979 10159,4 -1180,4 261,8 1157 2E+06 12,24188 0,2262079 8,26E-02
22 8485 10421,6 -1936,6 -1674,8 1203 2E+06 12,86435 -1,391983 9,25E-02
23 10974 10073,2 900,7998 -774 1186 2E+06 12,60569 -0,6524068 8,45E-02
24 10932 10080,8 851,2002 77,199 1169 2E+06 12,35204 6,61E-02 8,11E-02
25 9517 9964,8 -447,8 -370,6 1133 2E+06 11,9697 -0,3271862 0,0808351
26 11388 9777,4 1610,6 1240 1155 2E+06 12,07319 1,073176 7,85E-02
27 10405 10259,2 145,7998 1385,8 1110 2E+06 11,5881 1,248969 8,18E-02
28 10220 10643,2 -423,2 962,6 1080 2E+06 11,26431 0,8915319 9,48E-02
29 7900 10492,4 -2592,4 -1629,8 1143 2E+06 12,16226 -1,426221 0,0924039
30 9453 9886 -433 -2062,8 1114 2E+06 11,85899 -1,851122 9,38E-02
31 10333 9873,2 459,7998 -1603 1089 2E+06 11,57403 -1,471755 9,18E-02
32 11432 9662,2 1769,8 166,8 1114 2E+06 11,71873 0,149677 8,68E-02
33 8251 9867,6 -1616,6 -1449,8 1132 2E+06 11,99995 -1,28038 8,28E-02
34 8451 9473,8 -1022,8 -2472,6 1129 2E+06 12,00349 -2,190965 8,75E-02
35 9594 9584 10 -2462,6 1091 2E+06 11,60685 -2,256659 9,03E-02
36 9522 9612,2 -90,2002 -2552,8 1059 2E+06 11,26299 -2,410651 9,27E-02
37 11014 9450 1564 -988,8 1075 2E+06 11,35478 -0,9200296 9,10E-02
38 11194 9366,4 1827,6 838,8 1098 2E+06 11,50544 0,7642363 9,40E-02
39 9472 9955 -483 355,8 1079 2E+06 11,31702 0,3295987 9,33E-02
40 9953 10159,2 -206,2 149,6 1055 2E+06 11,05287 0,141861 9,45E-02
41 8342 10231 -1889 -1739,4 1078 2E+06 11,37486 -1,61397 0,0936243
42 8945 9995 -1050 -2789,4 1077 2E+06 11,38468 -2,590053 9,47E-02
43 8986 9581,2 -595,2 -3384,6 1064 2E+06 11,25939 -3,180153 9,74E-02
44 8505 9139,6 -634,6 -4019,2 1053 2E+06 11,16201 -3,815922 0,1075166
45 8694 8946,2 -252,2 -4271,4 1033 2E+06 10,95548 -4,133969 0,1222855
46 9816 8694,4 1121,6 -3149,8 1035 2E+06 10,96696 -3,042113 0,1434515
47 11481 8989,2 2491,8 -658 1070 2E+06 11,2226 -0,6149124 0,1445887
48 10035 9496,4 538,5996 -119,4 1058 2E+06 11,08643 -0,1128879 0,1461006

2016 44
Kelompok 18

MAPE
49 9706,2
50 9706,2
51 9706,2
52 9706,2
53 9706,2
54 9706,2
55 9706,2
56 9706,2
57 9706,2
58 9706,2
59 9706,2
60 9706,2
61 9706,2
62 9706,2
63 9706,2
64 9706,2
65 9706,2
66 9706,2
67 9706,2
68 9706,2
69 9706,2
70 9706,2
71 9706,2
72 9706,2
73 9706,2
74 9706,2
75 9706,2
76 9706,2
77 9706,2
78 9706,2
79 9706,2
80 9706,2
81 9706,2
82 9706,2
83 9706,2
84 9706,2
85 9706,2
86 9706,2
87 9706,2
88 9706,2
89 9706,2
90 9706,2
91 9706,2

2016 45
Kelompok 18

MAPE
92 9706,2
93 9706,2
94 9706,2
95 9706,2
96 9706,2
CFE -119,4033
MAD 1057,716
MSE 1658794
MAPE 11,08643
Trk.Signal -0,1128879
R-square 0,1461006
m=5
- Grafik Peramalan
Berikut merupakan grafik demand dan peramalan 5 SMA :
Grafik Demand dan Peramalan 5SMA

14000
12000
10000
8000
6000
4000
2000
0
1 4 7 10131619222528313437404346495255586164677073767982858891
X(t) F(t)
Gambar 4.5 Grafik Demand dan Peramalan 5 SMA

2016 46
Kelompok 18
3 CMA
- Manual
8916+10568+10378
Peramalan : F(t)1 = = 9954,000000
3

Sqr error : Error 2 = (614)2 = 376996
error : 614 = 614
614
PE : 10568 = -6,745308
PE : -6,745308 = 5,81
F(i+1)X(i+1) 2 10719,679517 2
Pembilang : n1
i=1 ( ) = n1
i=1 ( ) = 0,0011842
Xi 9517
10719,679517 2
Penyebut : n1
i=1 ( ) = 0,019290
9517
X(t+1)Xt 110528777
Galat R : = = 0,259200
Xt 8777
Berikut merupakan tabel rekap perhitungan manual 3 CMA:

Tabel 4.10 Perhitungan Manual 3 CMA
1 8777
2 11052 9782,00 1270,00 1612900,00 1270,00 11,49 11,49 0,011842 0,019290 0,259200
3 9517 10719,67 -1202,67 1446407,11 1202,67 -12,64 12,64 0,023901 0,047446 0,138889
4 11590 10118,67 1471,33 2164821,78 1471,33 12,69 12,69 0,001209 0,040798 0,217821
5 9249 9652,00 -403,00 162409,00 403,00 -4,36 4,36 0,007613 0,014980 0,201984
6 8117 8924,00 -807,00 651249,00 807,00 -9,94 9,94 0,001148 0,025218 0,122392
7 9406 9131,00 275,00 75625,00 275,00 2,92 2,92 0,004233 0,002433 0,158803
8 9870 9258,00 612,00 374544,00 612,00 6,20 6,20 0,019483 0,019323 0,049330
9 8498 9875,67 -1377,67 1897965,44 1377,67 -16,21 16,21 0,014748 0,105560 0,139007
10 11259 10227,00 1032,00 1065024,00 1032,00 9,17 9,17 0,004714 0,000885 0,324900
11 10924 10151,00 773,00 597529,00 773,00 7,08 7,08 0,016873 0,059025 0,029754
12 8270 9689,00 -1419,00 2013561,00 1419,00 -17,16 17,16 0,000431 0,037571 0,242951
13 9873 9701,33 171,67 29469,44 171,67 1,74 1,74 0,000225 0,012144 0,193833
14 10961 10813,00 148,00 21904,00 148,00 1,35 1,35 0,019408 0,003452 0,110200
15 11605 10078,00 1527,00 2331729,00 1527,00 13,16 13,16 0,034814 0,115091 0,058754
16 7668 9833,33 -2165,33 4688668,44 2165,33 -28,24 28,24 0,006468 0,111372 0,339250
17 10227 9610,33 616,67 380277,78 616,67 6,03 6,03 0,000019 0,004806 0,333725
18 10936 10891,67 44,33 1965,44 44,33 0,41 0,41 0,002481 0,002774 0,069326
19 11512 10967,33 544,67 296661,78 544,67 4,73 4,73 0,000146 0,008446 0,052670
20 10454 10315,00 139,00 19321,00 139,00 1,33 1,33 0,000978 0,019908 0,091904
21 8979 9306,00 -327,00 106929,00 327,00 -3,64 3,64 0,012263 0,003027 0,141094
22 8485 9479,33 -994,33 988698,78 994,33 -11,72 11,72 0,009886 0,086049 0,055017
23 10974 10130,33 843,67 711773,44 843,67 7,69 7,69 0,001739 0,000015 0,293341

2016 47
Kelompok 18
Tabel 4.10 Perhitungan Manual 3 CMA (Lanjutan)

24 10932 10474,33 457,67 209458,78 457,67 4,19 4,19 0,010039 0,016754 0,003827
25 9517 10612,33 -1095,33 1199755,11 1095,33 -11,51 11,51 0,009992 0,038650 0,129437
26 11388 10436,67 951,33 905035,11 951,33 8,35 8,35 0,000546 0,007451 0,196596
27 10405 10671,00 -266,00 70756,00 266,00 -2,56 2,56 0,004678 0,000316 0,086319
28 10220 9508,33 711,67 506469,44 711,67 6,96 6,96 0,015957 0,051532 0,017780
29 7900 9191,00 -1291,00 1666681,00 1291,00 -16,34 16,34 0,000806 0,038645 0,227006
30 9453 9228,67 224,33 50325,44 224,33 2,37 2,37 0,000060 0,008666 0,196582
31 10333 10406,00 -73,00 5329,00 73,00 -0,71 0,71 0,019063 0,011312 0,093092
32 11432 10005,33 1426,67 2035377,78 1426,67 12,48 12,48 0,009719 0,077425 0,106358
33 8251 9378,00 -1127,00 1270129,00 1127,00 -13,66 13,66 0,001451 0,000588 0,278254
34 8451 8765,33 -314,33 98805,44 314,33 -3,72 3,72 0,002297 0,018293 0,024239
35 9594 9189,00 405,00 164025,00 405,00 4,22 4,22 0,002953 0,000056 0,135250
36 9522 10043,33 -521,33 271788,44 521,33 -5,48 5,48 0,002109 0,024552 0,007505
37 11014 10576,67 437,33 191260,44 437,33 3,97 3,97 0,003314 0,000267 0,156690
38 11194 10560,00 634,00 401956,00 634,00 5,66 5,66 0,004303 0,023664 0,016343
39 9472 10206,33 -734,33 539245,44 734,33 -7,75 7,75 0,005420 0,002579 0,153832
40 9953 9255,67 697,33 486273,78 697,33 7,01 7,01 0,005498 0,026199 0,050781
41 8342 9080,00 -738,00 544644,00 738,00 -8,85 8,85 0,000504 0,005225 0,161861
42 8945 8757,67 187,33 35093,78 187,33 2,09 2,09 0,000378 0,000021 0,072285
43 8986 8812,00 174,00 30276,00 174,00 1,94 1,94 0,000618 0,002865 0,004584
44 8505 8728,33 -223,33 49877,78 223,33 -2,63 2,63 0,001337 0,000494 0,053528
45 8694 9005,00 -311,00 96721,00 311,00 -3,58 3,58 0,000433 0,016655 0,022222
46 9816 9997,00 -181,00 32761,00 181,00 -1,84 1,84 0,011161 0,028771 0,129055
47 11481 10444,00 1037,00 1075369,00 1037,00 9,03 9,03 0,003966 0,015863 0,169621
48 10035 10758,00 -723,00 522729,00 723,00 -7,20 7,20 0,125947
49 10035,00
50 10035,00
51 10035,00
52 10035,00
53 10035,00
54 10035,00
55 10035,00
56 10035,00
57 10035,00
58 10035,00
59 10035,00
60 10035,00
61 10035,00
62 10035,00
63 10035,00
64 10035,00
65 10035,00
66 10035,00
67 10035,00
68 10035,00
69 10035,00
70 10035,00
71 10035,00

2016 48
Kelompok 18
Tabel 4.10 Perhitungan Manual 3 CMA (Lanjutan)

72 10035,00
73 10035,00
74 10035,00
75 10035,00
76 10035,00
77 10035,00
78 10035,00
79 10035,00
80 10035,00
81 10035,00
82 10035,00
83 10035,00
84 10035,00
85 10035,00
86 10035,00
87 10035,00
88 10035,00
89 10035,00
90 10035,00
91 10035,00
92 10035,00
93 10035,00
94 10035,00
95 10035,00
96 10035,00
Jumlah 517,33 34099576,22 33106,67 -35,46 343,99 0,311224 1,156456 6,243139
Perhitungan Error
|| 331067,67
MAE = = = 704,40
45
|| 343,99
MAPE = = = 7,32
45
2 34099576,22
MSE = = = 725522,90
45
XiXi1
| |
NF1 = ( Xi
) x 100 = 13,28
n1
F X 2
[ t+1 i+1 ]
Xt
U-Theil = Xt+1 Xi 2
= 0,52
[ ]
Xt

2016 49
Kelompok 18
Tabel 4.11 Rekap Perhitungan Error 3 CMA
MAE 704,40
MAPE 7,32
MSE 725522,90
NF1 13,28
U-THEIL 0,52
- Software SPSS
Berikut adalah hasil permalan 3CMA dengan menggunakan SPSS :
Tabel 4.12 Perhitungan 3 CMA dengan software SPSS
Periode X(t) Peramalan

1 8777
2 11052 9782
3 9517 10719.67
4 11590 10118.67
5 9249 9652
6 8117 8924
7 9406 9131
8 9870 9258
9 8498 9875.67
10 11259 10227
11 10924 10151
12 8270 9689
13 9873 9701.33
14 10961 10813
15 11605 10078
16 7668 9833.33
17 10227 9610.33
18 10936 10891.67
19 11512 10967.33
20 10454 10315
21 8979 9306
22 8485 9479.33

2016 50
Kelompok 18
Tabel 4.12 Perhitungan 3 CMA dengan software SPSS (Lanjutan)

23 10974 10130.33
24 10932 10474.33
25 9517 10612.33
26 11388 10436.67
27 10405 10671
28 10220 9508.33
29 7900 9191
30 9453 9228.67
31 10333 10406
32 11432 10005.33
33 8251 9378
34 8451 8765.33
35 9594 9189
36 9522 10043.33
37 11014 10576.67
38 11194 10560
39 9472 10206.33
40 9953 9255.67
41 8342 9080
42 8945 8757.67
43 8986 8812
44 8505 8728.33
45 8694 9005
46 9816 9997
47 11481 10444
48 10035

2016 51
Kelompok 18
- Grafik Peramalan
Berikut grafik demand dan peramalan 3 CMA :
Grafik Demand dan Peramalan 3CMA

14000
12000
10000
8000
6000
4000
2000
0
1 4 7 10131619222528313437404346495255586164677073767982858891
X(t) F(t)
Gambar 4.6 Grafik Demand dan Peramalan 3 CMA
5 CMA
Manual
2 +1 +++1 ++2 8777+11052+9517+11590+9249
F(t) = = = 10037.00
5 5
Error = Xt Ft = 9517 10037.00= - 520.00

Error2 = (Xt Ft)2 = (-520.00)2 = 270400.00
|Error| = |-520.00| = 520.00
520.00
PE = 100 = 100 = 5.46
9517
|PE| = |-5.46| = 5.46

+1 2 3 2
Pembilang =( ) = ( ) = 0.031347
2
+1 2
Penyebut =( ) = 0.047446

1
|Galat| =( ) = 0.259200
1

2016 52
Kelompok 18
Berikut merupakan tabel rekap perhitungan manual 5 CMA:

Tabel 4.13 Perhitungan Manual 5CMA
Periode X(t) F(t) Error Error^2 |Error| PE |PE|
1 8777
2 11052
3 9517 10037.00 -520.00 270400.00 520.00 -5.46 5.46
4 11590 9905.00 1685.00 2839225.00 1685.00 14.54 14.54
5 9249 9575.80 -326.80 106798.24 326.80 -3.53 3.53
6 8117 9646.40 -1529.40 2339064.36 1529.40 -18.84 18.84
7 9406 9028.00 378.00 142884.00 378.00 4.02 4.02
8 9870 9430.00 440.00 193600.00 440.00 4.46 4.46
9 8498 9991.40 -1493.40 2230243.56 1493.40 -17.57 17.57
10 11259 9764.20 1494.80 2234427.04 1494.80 13.28 13.28
11 10924 9764.80 1159.20 1343744.64 1159.20 10.61 10.61
12 8270 10257.40 -1987.40 3949758.76 1987.40 -24.03 24.03
13 9873 10326.60 -453.60 205752.96 453.60 -4.59 4.59
14 10961 9675.40 1285.60 1652767.36 1285.60 11.73 11.73
15 11605 10066.80 1538.20 2366059.24 1538.20 13.25 13.25
16 7668 10279.40 -2611.40 6819409.96 2611.40 -34.06 34.06
17 10227 10389.60 -162.60 26438.76 162.60 -1.59 1.59
18 10936 10159.40 776.60 603107.56 776.60 7.10 7.10
19 11512 10421.60 1090.40 1188972.16 1090.40 9.47 9.47
20 10454 10073.20 380.80 145008.64 380.80 3.64 3.64
21 8979 10080.80 -1101.80 1213963.24 1101.80 -12.27 12.27
22 8485 9964.80 -1479.80 2189808.04 1479.80 -17.44 17.44
23 10974 9777.40 1196.60 1431851.56 1196.60 10.90 10.90
24 10932 10259.20 672.80 452659.84 672.80 6.15 6.15
25 9517 10643.20 -1126.20 1268326.44 1126.20 -11.83 11.83
26 11388 10492.40 895.60 802099.36 895.60 7.86 7.86
27 10405 9886.00 519.00 269361.00 519.00 4.99 4.99
28 10220 9873.20 346.80 120270.24 346.80 3.39 3.39
29 7900 9662.20 -1762.20 3105348.84 1762.20 -22.31 22.31
30 9453 9867.60 -414.60 171893.16 414.60 -4.39 4.39
31 10333 9473.80 859.20 738224.64 859.20 8.32 8.32
32 11432 9584.00 1848.00 3415104.00 1848.00 16.17 16.17
33 8251 9612.20 -1361.20 1852865.44 1361.20 -16.50 16.50
34 8451 9450.00 -999.00 998001.00 999.00 -11.82 11.82
35 9594 9366.40 227.60 51801.76 227.60 2.37 2.37
36 9522 9955.00 -433.00 187489.00 433.00 -4.55 4.55
37 11014 10159.20 854.80 730683.04 854.80 7.76 7.76
38 11194 10231.00 963.00 927369.00 963.00 8.60 8.60
39 9472 9995.00 -523.00 273529.00 523.00 -5.52 5.52

2016 53
Kelompok 18
Tabel 4.13 Perhitungan Manual 5CMA (Lanjutan)

40 9953 9581.20 371.80 138235.24 371.80 3.74 3.74
41 8342 9139.60 -797.60 636165.76 797.60 -9.56 9.56
42 8945 8946.20 -1.20 1.44 1.20 -0.01 0.01
43 8986 8694.40 291.60 85030.56 291.60 3.25 3.25
44 8505 8989.20 -484.20 234449.64 484.20 -5.69 5.69
45 8694 9496.40 -802.40 643845.76 802.40 -9.23 9.23
46 9816 9706.20 109.80 12056.04 109.80 1.12 1.12
47 11481 10582.80 898.20 806763.24 898.20 7.82 7.82
48 10035 10582.80 -547.80 300084.84 547.80 -5.46 5.46
49 10582.80
50 10582.80
51 10582.80
52 10582.80
53 10582.80
54 10582.80
55 10582.80
56 10582.80
57 10582.80
58 10582.80
59 10582.80
60 10582.80
61 10582.80
62 10582.80
63 10582.80
64 10582.80
65 10582.80
66 10582.80
67 10582.80
68 10582.80
69 10582.80
70 10582.80
71 10582.80
72 10582.80
73 10582.80
74 10582.80
75 10582.80
76 10582.80
77 10582.80
78 10582.80
79 10582.80
80 10582.80
81 10582.80
82 10582.80

2016 54
Kelompok 18
Tabel 4.13 Perhitungan Manual 5CMA (Lanjutan)

83 10582.80
84 10582.80
85 10582.80
86 10582.80
87 10582.80
88 10582.80
89 10582.80
90 10582.80
91 10582.80
92 10582.80
93 10582.80
94 10582.80
95 10582.80
96 10582.80
Jumlah -635.20 51714943.36 41202.00 -61.72 430.81
Perhitungan Error
|| 41202.00
MAE = = = 895.69
46
|| 430.81
MAPE = = = 9.37
46
2 51714943.36
MSE = = = 1124237.90
46

| 1 | 6.243139
1
NF1 = 100 = 100 = 13.28
47
2

[ +1 +1 ] 0.507350

U-theil = 2 = 100 = 0.67
+1 1.137166
[ ]

Tabel 4.14 Rekap Perhitungan Error 5 CMA
MAE 895.69
MAPE 9.37
MSE 1124237.90
NF1 13.28
U-theil 0.67

2016 55
Kelompok 18
Software
Berikut perhitungan metode 5 CMA dengan SPSS :
Tabel 4.15 Perhitungan 5 CMA dengan SPSS

1 8777
2 11052
3 9517 10037
4 11590 9905
5 9249 9575.8
6 8117 9646.4
7 9406 9028
8 9870 9430
9 8498 9991.4
10 11259 9764.2
11 10924 9764.8
12 8270 10257.4
13 9873 10326.6
14 10961 9675.4
15 11605 10066.8
16 7668 10279.4
17 10227 10389.6
18 10936 10159.4
19 11512 10421.6
20 10454 10073.2
21 8979 10080.8
22 8485 9964.8
23 10974 9777.4
24 10932 10259.2
25 9517 10643.2
26 11388 10492.4
27 10405 9886
28 10220 9873.2
29 7900 9662.2
30 9453 9867.6
31 10333 9473.8
32 11432 9584
33 8251 9612.2
2016 56
Kelompok 18
Tabel 4.15 Perhitungan 5 CMA dengan SPSS

34 8451 9450
35 9594 9366.4
36 9522 9955
37 11014 10159.2
38 11194 10231
39 9472 9995
40 9953 9581.2
41 8342 9139.6
42 8945 8946.2
43 8986 8694.4
44 8505 8989.2
45 8694 9496.4
46 9816 9706.2
47 11481
48 10035
Grafik Peramalan
Berikut merupakan grafik demand dan hasil peramalan metode 5 CMA :
Grafik Peramalan Metode 5 CMA

14000
12000
10000
8000
6000
4000
2000
0
1 4 7 1013161922252831343740434649525558616467707376798285889194
X(t) F(t)
Gambar 4.7 Grafik Peramalan Metode 5CMA

2016 57
Kelompok 18
3 WMA
Manual
F(t) = ((0.28777) + (0.3511052) + (0.459517)) = 9906.25
Error = Xt Ft = 11590 9906.25 = 1683.75
Error2 = (Xt Ft)2 = (1683.75)2 = 2835014.06
|Error| = |1683.75| = 1683.75
1683.75
PE = 100 = 100 = 14.53
11590
|PE| = |14.53| = 14.53

+1 2
Pembilang =( ) = 0.016926

+1 2
Penyebut =( ) = 0.040798

Tabel 4.16 Perhitungan Manual 3 WMA
1 8777
2 11052 0.259200
3 9517 0.138889
4 11590 9906.25 1683.75 2835014.06 1683.75 14.53 14.53 0.016926 0.040798 0.217821
5 9249 10756.85 -1507.85 2273611.62 1507.85 -16.30 16.30 0.046991 0.014980 0.201984
6 8117 10121.95 -2004.95 4019824.50 2004.95 -24.70 24.70 0.000596 0.025218 0.122392
7 9406 9207.80 198.20 39283.24 198.20 2.11 2.11 0.010127 0.002433 0.158803
8 9870 8923.45 946.55 895956.90 946.55 9.59 9.59 0.007574 0.019323 0.049330
9 8498 9357.00 -859.00 737881.00 859.00 -10.11 10.11 0.061020 0.105560 0.139007
10 11259 9159.80 2099.20 4406640.64 2099.20 18.64 18.64 0.006520 0.000885 0.324900
11 10924 10014.85 909.15 826553.72 909.15 8.32 8.32 0.043793 0.059025 0.029754
12 8270 10556.05 -2286.05 5226024.60 2286.05 -27.64 27.64 0.000085 0.037571 0.242951
13 9873 9796.70 76.30 5821.69 76.30 0.77 0.77 0.021239 0.012144 0.193833
14 10961 9522.15 1438.85 2070289.32 1438.85 13.13 13.13 0.020334 0.003452 0.110200
15 11605 10042.00 1563.00 2442969.00 1563.00 13.47 13.47 0.084088 0.115091 0.058754
16 7668 11033.20 -3365.20 11324571.04 3365.20 -43.89 43.89 0.004642 0.111372 0.339250
17 10227 9704.55 522.45 272954.00 522.45 5.11 5.11 0.016888 0.004806 0.333725
18 10936 9606.95 1329.05 1766373.90 1329.05 12.15 12.15 0.018259 0.002774 0.069326
19 11512 10034.25 1477.75 2183745.06 1477.75 12.84 12.84 0.002711 0.008446 0.052670
20 10454 11053.40 -599.40 359280.36 599.40 -5.73 5.73 0.034498 0.019908 0.091904
21 8979 10920.70 -1941.70 3770198.89 1941.70 -21.62 21.62 0.028538 0.003027 0.141094
22 8485 10001.85 -1516.85 2300833.92 1516.85 -17.88 17.88 0.051326 0.086049 0.055017
23 10974 9051.70 1922.30 3695237.29 1922.30 17.52 17.52 0.012525 0.000015 0.293341
24 10932 9703.85 1228.15 1508352.42 1228.15 11.23 11.23 0.007398 0.016754 0.003827
25 9517 10457.30 -940.30 884164.09 940.30 -9.88 9.88 0.012982 0.038650 0.129437

2016 58
Kelompok 18
Tabel 4.16 Perhitungan Manual 3 WMA (Lanjutan)

26 11388 10303.65 1084.35 1175814.92 1084.35 9.52 9.52 0.000433 0.007451 0.196596
27 10405 10641.95 -236.95 56145.30 236.95 -2.28 2.28 0.001141 0.000316 0.086319
28 10220 10571.45 -351.45 123517.10 351.45 -3.44 3.44 0.065638 0.051532 0.017780
29 7900 10518.35 -2618.35 6855756.72 2618.35 -33.14 33.14 0.000923 0.038645 0.227006
30 9453 9213.00 240.00 57600.00 240.00 2.54 2.54 0.018054 0.008666 0.196582
31 10333 9062.85 1270.15 1613281.02 1270.15 12.29 12.29 0.033583 0.011312 0.093092
32 11432 9538.40 1893.60 3585720.96 1893.60 16.56 16.56 0.044094 0.077425 0.106358
33 8251 10651.55 -2400.55 5762640.30 2400.55 -29.09 29.09 0.025973 0.000588 0.278254
34 8451 9780.75 -1329.75 1768235.06 1329.75 -15.73 15.73 0.005327 0.018293 0.024239
35 9594 8977.20 616.80 380442.24 616.80 6.43 6.43 0.003868 0.000056 0.135250
36 9522 8925.35 596.65 355991.22 596.65 6.27 6.27 0.031166 0.024552 0.007505
37 11014 9333.00 1681.00 2825761.00 1681.00 15.26 15.26 0.008018 0.000267 0.156690
38 11194 10207.80 986.20 972590.44 986.20 8.81 8.81 0.014002 0.023664 0.016343
39 9472 10796.60 -1324.60 1754565.16 1324.60 -13.98 13.98 0.002062 0.002579 0.153832
40 9953 10383.10 -430.10 184986.01 430.10 -4.32 4.32 0.028860 0.026199 0.050781
41 8342 10032.85 -1690.85 2858973.72 1690.85 -20.27 20.27 0.000502 0.005225 0.161861
42 8945 9131.85 -186.85 34912.92 186.85 -2.09 2.09 0.000032 0.000021 0.072285
43 8986 8935.55 50.45 2545.20 50.45 0.56 0.56 0.001414 0.002865 0.004584
44 8505 8842.85 -337.85 114142.62 337.85 -3.97 3.97 0.000063 0.000494 0.053528
45 8694 8761.35 -67.35 4536.02 67.35 -0.77 0.77 0.016886 0.016655 0.022222
46 9816 8686.25 1129.75 1276335.06 1129.75 11.51 11.51 0.055856 0.028771 0.129055
47 11481 9161.10 2319.90 5381936.01 2319.90 20.21 20.21 0.000710 0.015863 0.169621
48 10035 10340.85 -305.85 93544.22 305.85 -3.05 3.05 0.125947
49 10497.30
50 10497.30
51 10497.30
52 10497.30
53 10497.30
54 10497.30
55 10497.30
56 10497.30
57 10497.30
58 10497.30
59 10497.30
60 10497.30
61 10497.30
62 10497.30
63 10497.30
64 10497.30
65 10497.30
66 10497.30
67 10497.30

2016 59
Kelompok 18
Tabel 4.16 Perhitungan Manual 3 WMA (Lanjutan)

68 10497.30
69 10497.30
70 10497.30
71 10497.30
72 10497.30
73 10497.30
74 10497.30
75 10497.30
76 10497.30
77 10497.30
78 10497.30
79 10497.30
80 10497.30
81 10497.30
82 10497.30
83 10497.30
84 10497.30
85 10497.30
86 10497.30
87 10497.30
88 10497.30
89 10497.30
90 10497.30
91 10497.30
92 10497.30
93 10497.30
94 10497.30
95 10497.30
96 10497.30
Jumlah 961.75 91085554.55 53565.35 -60.53 559.27 0.867665 1.089720 6.243139
Perhitungan Error
|| 53565.35
MAE = = = 1190.34
45
|| 559.27
MAPE = = = 12.43
45
2 91085554.55
MSE = = = 2024123.43
45

| 1 | 6.243139
1
NF1 = 100 = 100 = 13.28
47

2016 60
Kelompok 18
2

[ +1 +1 ] 0.867665

U-theil = +1
2 = 1.089720 = 0.89
[ ]

Tabel 4.17 Rekap Perhitungan Error 3 WMA
MAE 1190.34
MAPE 12.43
MSE 2024123.43
NF1 13.28
U-theil 0.89
Software WinQSB
Berikut merupakan hasil output perhitungan metode 3 WMA menggunakan
software WinQSB:
Tabel 4.18 Perhitungan 3 WMA dengan WinQSB
Forecast
Result for
3 WMA
Forecast MAPE
Actual by Forecast CFE MAD MSE (%) Tracking R-square
Month Data 3-WMA Error Signal
1 8777
2 11052
3 9517
4 11590 9906.25 1683.75 1683.75 1683.75 2835014 14.52761 1
5 9249 10756.85 -1507.85 175.9004 1595.8 2554312 15.41523 0.110227 0.137668
6 8117 10121.95 -2004.95 -1829.05 1732.183 3042817 18.51036 -1.05592 0.24005
7 9406 9207.8 198.2002 -1630.85 1348.688 2291933 14.40956 -1.20921 0.298894
8 9870 8923.45 946.5498 -684.3 1268.26 2012738 13.44568 -0.53956 0.351248
9 8498 9357 -859 -1543.3 1200.05 1800262 12.88945 -1.28603 0.360431
10 11259 9159.8 2099.2 555.9004 1328.5 2172602 13.71162 0.418442 0.253656
11 10924 10014.85 909.1504 1465.051 1276.081 2004346 13.03798 1.148086 0.255897
12 8270 10556.05 -2286.05 -820.999 1388.3 2362310 14.66072 -0.59137 0.249323
13 9873 9796.7 76.2998 -744.699 1257.1 2126661 13.27193 -0.59239 0.247381
14 10961 9522.149 1438.851 694.1514 1273.623 2121537 13.25876 0.545021 0.227377
15 11605 10042 1563 2257.151 1297.738 2148323 13.27622 1.739297 0.215899

2016 61
Kelompok 18
Tabel 4.18 Perhitungan 3 WMA dengan WinQSB (Lanjutan)

Forecast MAPE
16 7668 11033.2 -3365.2 -1108.05 1456.773 2854188 15.63084 -0.76062 0.218668
17 10227 9704.55 522.4502 -585.598 1390.036 2669814 14.87925 -0.42128 0.21519
18 10936 9606.949 1329.051 743.4531 1385.97 2609585 14.6975 0.536414 0.208035
19 11512 10034.25 1477.75 2221.203 1391.706 2582970 14.58119 1.596029 0.200422
20 10454 11053.4 -599.399 1621.804 1345.1 2452164 14.06075 1.205712 0.242915
21 8979 10920.7 -1941.7 -319.897 1378.244 2525389 14.48098 -0.2321 0.261729
22 8485 10001.85 -1516.85 -1836.75 1385.539 2513570 14.65971 -1.32566 0.249396
23 10974 9051.7 1922.3 85.55273 1412.378 2572653 14.80257 6.06E-02 0.261272
24 10932 9703.85 1228.15 1313.703 1403.605 2521972 14.63266 0.935949 0.257884
25 9517 10457.3 -940.3 373.4033 1382.545 2447527 14.41664 0.270084 0.262112
26 11388 10303.65 1084.351 1457.754 1369.58 2392235 14.20382 1.06438 0.253366
27 10405 10641.95 -236.95 1220.804 1322.388 2294898 13.70688 0.923182 0.264162
28 10220 10571.45 -351.45 869.3535 1283.55 2208043 13.29616 0.677304 0.272258
29 7900 10518.35 -2618.35 -1749 1334.889 2386801 14.05953 -1.31022 0.249554
30 9453 9213 240 -1509 1294.337 2300534 13.63284 -1.16585 0.26374
31 10333 9062.85 1270.15 -238.846 1293.473 2275989 13.58496 -0.18465 0.28252
32 11432 9538.399 1893.601 1654.755 1314.167 2321153 13.68768 1.259166 0.274977
33 8251 10651.55 -2400.55 -745.795 1350.38 2435869 14.20123 -0.55229 0.265125
34 8451 9780.75 -1329.75 -2075.55 1349.715 2414332 14.2507 -1.53777 0.25608
35 9594 8977.2 616.7998 -1458.75 1326.811 2350773 14.00627 -1.09944 0.274622
36 9522 8925.35 596.6504 -862.095 1304.685 2290325 13.77172 -0.66077 0.294317
37 11014 9333 1681 818.9053 1315.753 2306073 13.81556 0.622385 0.29349
38 11194 10207.8 986.2002 1805.105 1306.337 2267974 13.67255 1.381807 0.287556
39 9472 10796.6 -1324.6 480.5059 1306.844 2253712 13.68121 0.367684 0.300003
40 9953 10383.1 -430.1 50.40625 1283.149 2197801 13.42824 3.93E-02 0.303889
41 8342 10032.85 -1690.85 -1640.44 1293.878 2215200 13.60826 -1.26785 0.290928
42 8945 9131.85 -186.85 -1827.29 1265.492 2159295 13.31289 -1.44394 0.298401
43 8986 8935.55 50.4502 -1776.84 1235.116 2105377 12.99411 -1.4386 0.311595
44 8505 8842.85 -337.85 -2114.69 1213.232 2056810 12.77406 -1.74302 0.321691
45 8694 8761.35 -67.3496 -2182.04 1185.949 2007946 12.48836 -1.83991 0.335893
46 9816 8686.25 1129.75 -1052.29 1184.642 1990932 12.46559 -0.88828 0.35737
47 11481 9161.1 2319.9 1267.608 1210.443 2068000 12.64152 1.047227 0.348037
48 10035 10340.85 -305.85 961.7588 1190.341 2024124 12.42833 0.807969 0.352236
49 10497.3
50 10497.3
51 10497.3
52 10497.3
53 10497.3
54 10497.3
55 10497.3
56 10497.3
57 10497.3

2016 62
Kelompok 18

Forecast MAPE
58 10497.3
59 10497.3
60 10497.3
61 10497.3
62 10497.3
63 10497.3
64 10497.3
65 10497.3
66 10497.3
67 10497.3
68 10497.3
69 10497.3
70 10497.3
71 10497.3
72 10497.3
73 10497.3
74 10497.3
75 10497.3
76 10497.3
77 10497.3
78 10497.3
79 10497.3
80 10497.3
81 10497.3
82 10497.3
83 10497.3
84 10497.3
85 10497.3
86 10497.3
87 10497.3
88 10497.3
89 10497.3
90 10497.3
91 10497.3
92 10497.3
93 10497.3
94 10497.3
95 10497.3
96 10497.3
CFE 961.7588
MAD 1190.341

2016 63
Kelompok 18

Forecast MAPE
MSE 2024124
MAPE 12.42833
Trk.Signal 0.807969
R-square 0.352236
m=3
W(1)=0,2
W(2)=0,35
W(3)=0,45
Grafik Peramalan
Berikut merupakan grafik demand dan hasil peramalan metode 3 WMA:
Grafik Peramalan Metode 3WMA

14000
12000
10000
8000
6000
4000
2000
0
1 4 7 1013161922252831343740434649525558616467707376798285889194
X(t) F(t)
Gambar 4.8 Grafik Demand dan Peramalan 3 WMA

2016 64
Kelompok 18
4.2.3.3 Data Pola Linear

3 DMA
- Manual
Berikut adalah hasil perhitungan manual 3 DMA :
Tabel 4.19 Tabel Perhitungan Manual 3 DMA
Periode X(t) CMA F(t) Error Error^2 |Error| PE |PE| Pembilang Penyebut |Galat|
1 2982
2 3009 3033.67 0.009054
3 3110 3090.67 0.033566
4 3153 3141.33 0.013826
5 3161 3159.00 3088.56 72.44 5248.20 72.44 2.29 2.29 0.000107 0.000000 0.002537
6 3163 3175.67 3130.33 32.67 1067.11 32.67 1.03 1.03 0.000196 0.000160 0.000633
7 3203 3268.33 3158.67 44.33 1965.44 44.33 1.38 1.38 0.005521 0.005429 0.012646
8 3439 3363.00 3201.00 238.00 56644.00 238.00 6.92 6.92 0.002679 0.000005 0.073681
9 3447 3470.67 3269.00 178.00 31684.00 178.00 5.16 5.16 0.002119 0.000525 0.002326
10 3526 3562.33 3367.33 158.67 25175.11 158.67 4.50 4.50 0.004974 0.002843 0.022918
11 3714 3675.33 3465.33 248.67 61835.11 248.67 6.70 6.70 0.003400 0.000376 0.053318
12 3786 3777.67 3569.44 216.56 46896.31 216.56 5.72 5.72 0.001813 0.000154 0.019386
13 3833 3840.67 3671.78 161.22 25992.60 161.22 4.21 4.21 0.001305 0.000334 0.012414
14 3903 3923.67 3764.56 138.44 19166.86 138.44 3.55 3.55 0.002312 0.001144 0.018262
15 4035 3998.00 3847.33 187.67 35218.78 187.67 4.65 4.65 0.001123 0.000027 0.033820
16 4056 4081.67 3920.78 135.22 18285.05 135.22 3.33 3.33 0.001421 0.000584 0.005204
17 4154 4134.67 4001.11 152.89 23375.01 152.89 3.68 3.68 0.000870 0.000093 0.024162
18 4194 4214.00 4071.44 122.56 15019.86 122.56 2.92 2.92 0.001289 0.000569 0.009629
19 4294 4290.33 4143.44 150.56 22666.98 150.56 3.51 3.51 0.001567 0.000430 0.023844
20 4383 4357.00 4213.00 170.00 28900.00 170.00 3.88 3.88 0.000595 0.000006 0.020727
21 4394 4413.33 4287.11 106.89 11425.23 106.89 2.43 2.43 0.000620 0.000247 0.002510
22 4463 4457.67 4353.56 109.44 11978.09 109.44 2.45 2.45 0.000571 0.000141 0.015703
23 4516 4528.33 4409.33 106.67 11377.78 106.67 2.36 2.36 0.000955 0.000397 0.011875
24 4606 4580.33 4466.44 139.56 19475.75 139.56 3.03 3.03 0.000442 0.000008 0.019929
25 4619 4637.00 4522.11 96.89 9387.46 96.89 2.10 2.10 0.000508 0.000210 0.002822
26 4686 4670.33 4581.89 104.11 10839.12 104.11 2.22 2.22 0.000268 0.000018 0.014505
27 4706 4718.00 4629.22 76.78 5894.83 76.78 1.63 1.63 0.000341 0.000142 0.004268
28 4762 4768.67 4675.11 86.89 7549.68 86.89 1.82 1.82 0.000624 0.000255 0.011900
29 4838 4843.33 4719.00 119.00 14161.00 119.00 2.46 2.46 0.001004 0.000362 0.015960
30 4930 4901.33 4776.67 153.33 23511.11 153.33 3.11 3.11 0.000397 0.000001 0.019016

2016 65
Kelompok 18
Tabel 4.19 Tabel Perhitungan Manual 3 DMA (Lanjutan)

31 4936 4953.33 4837.78 98.22 9647.60 98.22 1.99 1.99 0.000368 0.000138 0.001217
32 4994 4986.00 4899.33 94.67 8961.78 94.67 1.90 1.90 0.000264 0.000046 0.011750
33 5028 5019.67 4946.89 81.11 6579.01 81.11 1.61 1.61 0.000102 0.000003 0.006808
34 5037 5054.67 4986.33 50.67 2567.11 50.67 1.01 1.01 0.000245 0.000152 0.001790
35 5099 5093.00 5020.11 78.89 6223.46 78.89 1.55 1.55 0.000293 0.000074 0.012309
36 5143 5129.67 5055.78 87.22 7607.72 87.22 1.70 1.70 0.000113 0.000001 0.008629
37 5147 5149.33 5092.44 54.56 2976.31 54.56 1.06 1.06 0.000044 0.000005 0.000778
38 5158 5166.67 5124.00 34.00 1156.00 34.00 0.66 0.66 0.000081 0.000051 0.002137
39 5195 5232.67 5148.56 46.44 2157.09 46.44 0.89 0.89 0.000974 0.000834 0.007173
40 5345 5296.67 5182.89 162.11 26280.01 162.11 3.03 3.03 0.000487 0.000001 0.028874
41 5350 5352.33 5232.00 118.00 13924.00 118.00 2.21 2.21 0.000162 0.000005 0.000935
42 5362 5358.33 5293.89 68.11 4639.12 68.11 1.27 1.27 0.000026 0.000000 0.002243
43 5363 5384.00 5335.78 27.22 741.05 27.22 0.51 0.51 0.000134 0.000142 0.000186
44 5427 5415.33 5364.89 62.11 3857.79 62.11 1.14 1.14 0.000167 0.000029 0.011934
45 5456 5540.00 5385.89 70.11 4915.57 70.11 1.29 1.29 0.002836 0.002653 0.005344
46 5737 5644.33 5446.44 290.56 84422.53 290.56 5.06 5.06 0.001299 0.000000 0.051503
47 5740 5782.00 5533.22 206.78 42757.05 206.78 3.60 3.60 0.001384 0.000505 0.000523
48 5869 5782.00 5655.44 213.56 45605.98 213.56 3.64 3.64 0.022474
49 5782.00 5736.11
50 5782.00 5782.00
51 5782.00 5782.00
52 5782.00 5782.00
53 5782.00 5782.00
54 5782.00 5782.00
55 5782.00 5782.00
56 5782.00 5782.00
57 5782.00 5782.00
58 5782.00 5782.00
59 5782.00 5782.00
60 5782.00 5782.00
61 5782.00 5782.00
62 5782.00 5782.00
63 5782.00 5782.00
64 5782.00 5782.00
65 5782.00 5782.00
66 5782.00 5782.00

2016 66
Kelompok 18
Tabel 4.19 Tabel Perhitungan Manual 3 DMA (Lanjutan)

67 5782.00 5782.00
68 5782.00 5782.00
69 5782.00 5782.00
70 5782.00 5782.00
71 5782.00 5782.00
72 5782.00 5782.00
73 5782.00 5782.00
74 5782.00 5782.00
75 5782.00 5782.00
76 5782.00 5782.00
77 5782.00 5782.00
78 5782.00 5782.00
79 5782.00 5782.00
80 5782.00 5782.00
81 5782.00 5782.00
82 5782.00 5782.00
83 5782.00 5782.00
84 5782.00 5782.00
85 5782.00 5782.00
86 5782.00 5782.00
87 5782.00 5782.00
88 5782.00 5782.00
89 5782.00 5782.00
90 5782.00 5782.00
91 5782.00 5782.00
92 5782.00 5782.00
93 5782.00 5782.00
94 5782.00 5782.00
95 5782.00 5782.00
96 5782.00 5782.00
Jumlah 5351.78 819759.65 5351.78 121.17 121.17 0.046001 0.019097 0.687052
Berikut adalah perhitungan error metode 3 DMA :

5251,78
MAE = = = 121,3
44
|| 121,17
MAPE = = = 2,75
44

2016 67
Kelompok 18
2 819579,65
MSE = = = 18630,90
44
2
+1 +1
1
=1 ( ) 0,046001

UTHEIL =
2 = 0,019097 = 1,55
1 +1 )
=1 (
|((__()))/_() |
NF 1 = X 100 = 1,46

Tabel 4.20 Rekap Perhitungan Error 3 DMA
MAE 121,3
MAPE 2,75
MSE 18630,90
UTHEIL 1,55
NF 1 1,46
- Software SPSS
Berikut adalah hasil perhitungan dengan software SPSS :
Tabel 4.21 Perhitungan Software 3 DMA
Periode X(t) CMA F(t)
1 2982
2 3009 3033.67
3 3110 3090.67
4 3153 3141.33
5 3161 3159.00 3088.56
6 3163 3175.67 3130.33
7 3203 3268.33 3158.67
8 3439 3363.00 3201.00
9 3447 3470.67 3269.00
10 3526 3562.33 3367.33
11 3714 3675.33 3465.33
12 3786 3777.67 3569.44
13 3833 3840.67 3671.78
14 3903 3923.67 3764.56
15 4035 3998.00 3847.33

2016 68
Kelompok 18
Tabel 4.21 Perhitungan Software 3 DMA (Lanjutan)

16 4056 4081.67 3920.78
17 4154 4134.67 4001.11
18 4194 4214.00 4071.44
19 4294 4290.33 4143.44
20 4383 4357.00 4213.00
21 4394 4413.33 4287.11
22 4463 4457.67 4353.56
23 4516 4528.33 4409.33
24 4606 4580.33 4466.44
25 4619 4637.00 4522.11
26 4686 4670.33 4581.89
27 4706 4718.00 4629.22
28 4762 4768.67 4675.11
29 4838 4843.33 4719.00
30 4930 4901.33 4776.67
31 4936 4953.33 4837.78
32 4994 4986.00 4899.33
33 5028 5019.67 4946.89
34 5037 5054.67 4986.33
35 5099 5093.00 5020.11
36 5143 5129.67 5055.78
37 5147 5149.33 5092.44
38 5158 5166.67 5124.00
39 5195 5232.67 5148.56
40 5345 5296.67 5182.89
41 5350 5352.33 5232.00
42 5362 5358.33 5293.89
43 5363 5384.00 5335.78
44 5427 5415.33 5364.89
45 5456 5540.00 5385.89
46 5737 5644.33 5446.44
47 5740 5782.00 5533.22
48 5869 5655.44

2016 69
Kelompok 18
- Grafik Peramalan
Berikut merupakan grafik demand dan hasil peramalan metode 3 DMA :
Grafik Demand dan Permalan 3 DMA

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
demand forecast
Gambar 4.9 Grafik Demand dan Permalan 3 DMA
5 DMA
- Manual
Berikut ini adalah perhitungan manual metode 5 DMA:
Tabel 4.22 Perhitungan Manual 5 DMA
1 2982
2 3009 0.009054
3 3110 3083.00 0.033566
4 3153 3119.20 0.013826
5 3161 3158.00 0.002537
6 3163 3223.80 0.000633
7 3203 3282.60 0.012646
8 3439 3355.60 3173.32 265.68 70585.86 265.68 7.73 7.73 0.004061 0.000005 0.073681
9 3447 3465.80 3227.84 219.16 48031.11 219.16 6.36 6.36 0.004407 0.000525 0.002326
10 3526 3582.40 3297.16 228.84 52367.75 228.84 6.49 6.49 0.008864 0.002843 0.022918
11 3714 3661.20 3382.04 331.96 110197.44 331.96 8.94 8.94 0.007261 0.000376 0.053318
12 3786 3752.40 3469.52 316.48 100159.59 316.48 8.36 8.36 0.005068 0.000154 0.019386
13 3833 3854.20 3563.48 269.52 72641.03 269.52 7.03 7.03 0.003914 0.000334 0.012414

2016 70
Kelompok 18
Tabel 4.22 Perhitungan Manual 5 DMA (Lanjutan)

14 3903 3922.60 3663.20 239.80 57504.04 239.80 6.14 6.14 0.005163 0.001144 0.018262
15 4035 3996.20 3754.56 280.44 78646.59 280.44 6.95 6.95 0.002937 0.000027 0.033820
16 4056 4068.40 3837.32 218.68 47820.94 218.68 5.39 5.39 0.003364 0.000584 0.005204
17 4154 4146.60 3918.76 235.24 55337.86 235.24 5.66 5.66 0.002235 0.000093 0.024162
18 4194 4216.20 3997.60 196.40 38572.96 196.40 4.68 4.68 0.002853 0.000569 0.009629
19 4294 4283.80 4070.00 224.00 50176.00 224.00 5.22 5.22 0.003144 0.000430 0.023844
20 4383 4345.60 4142.24 240.76 57965.38 240.76 5.49 5.49 0.001722 0.000006 0.020727
21 4394 4410.00 4212.12 181.88 33080.33 181.88 4.14 4.14 0.001726 0.000247 0.002510
22 4463 4472.40 4280.44 182.56 33328.15 182.56 4.09 4.09 0.001458 0.000141 0.015703
23 4516 4519.60 4345.60 170.40 29036.16 170.40 3.77 3.77 0.001956 0.000397 0.011875
24 4606 4578.00 4406.28 199.72 39888.08 199.72 4.34 4.34 0.001116 0.000008 0.019929
25 4619 4626.60 4465.12 153.88 23679.05 153.88 3.33 3.33 0.001271 0.000210 0.002822
26 4686 4675.80 4521.32 164.68 27119.50 164.68 3.51 3.51 0.000788 0.000018 0.014505
27 4706 4722.20 4574.48 131.52 17297.51 131.52 2.79 2.79 0.000854 0.000142 0.004268
28 4762 4784.40 4624.44 137.56 18922.75 137.56 2.89 2.89 0.001137 0.000255 0.011900
29 4838 4834.40 4677.40 160.60 25792.36 160.60 3.32 3.32 0.001732 0.000362 0.015960
30 4930 4892.00 4728.68 201.32 40529.74 201.32 4.08 4.08 0.000979 0.000001 0.019016
31 4936 4945.20 4781.76 154.24 23789.98 154.24 3.12 3.12 0.001029 0.000138 0.001217
32 4994 4985.00 4835.64 158.36 25077.89 158.36 3.17 3.17 0.000784 0.000046 0.011750
33 5028 5018.80 4888.20 139.80 19544.04 139.80 2.78 2.78 0.000411 0.000003 0.006808
34 5037 5060.20 4935.08 101.92 10387.69 101.92 2.02 2.02 0.000556 0.000152 0.001790
35 5099 5090.80 4980.24 118.76 14103.94 118.76 2.33 2.33 0.000582 0.000074 0.012309
36 5143 5116.80 5020.00 123.00 15129.00 123.00 2.39 2.39 0.000325 0.000001 0.008629
37 5147 5148.40 5054.32 92.68 8589.58 92.68 1.80 1.80 0.000190 0.000005 0.000778
38 5158 5197.60 5087.00 71.00 5041.00 71.00 1.38 1.38 0.000196 0.000051 0.002137
39 5195 5239.00 5122.76 72.24 5218.62 72.24 1.39 1.39 0.001289 0.000834 0.007173
40 5345 5282.00 5158.52 186.48 34774.79 186.48 3.49 3.49 0.000822 0.000001 0.028874
41 5350 5323.00 5196.76 153.24 23482.50 153.24 2.86 2.86 0.000537 0.000005 0.000935
42 5362 5369.40 5238.00 124.00 15376.00 124.00 2.31 2.31 0.000227 0.000000 0.002243
43 5363 5391.60 5282.20 80.80 6528.64 80.80 1.51 1.51 0.000391 0.000142 0.000186
44 5427 5469.00 5321.00 106.00 11236.00 106.00 1.95 1.95 0.000269 0.000029 0.011934
45 5456 5544.60 5367.00 89.00 7921.00 89.00 1.63 1.63 0.003386 0.002653 0.005344
46 5737 5645.80 5419.52 317.48 100793.55 317.48 5.53 5.53 0.001990 0.000000 0.051503
47 5740 5645.80 5484.08 255.92 65495.05 255.92 4.46 4.46 0.003298 0.000505 0.000523
48 5869 5645.80 5539.36 329.64 108662.53 329.64 5.62 5.62 0.022474

2016 71
Kelompok 18

49 5645.80 5590.20
50 5645.80 5625.56
51 5645.80 5645.80
52 5645.80 5645.80
53 5645.80 5645.80
54 5645.80 5645.80
55 5645.80 5645.80
56 5645.80 5645.80
57 5645.80 5645.80
58 5645.80 5645.80
59 5645.80 5645.80
60 5645.80 5645.80
61 5645.80 5645.80
62 5645.80 5645.80
63 5645.80 5645.80
64 5645.80 5645.80
65 5645.80 5645.80
66 5645.80 5645.80
67 5645.80 5645.80
68 5645.80 5645.80
69 5645.80 5645.80
70 5645.80 5645.80
71 5645.80 5645.80
72 5645.80 5645.80
73 5645.80 5645.80
74 5645.80 5645.80
75 5645.80 5645.80
76 5645.80 5645.80
77 5645.80 5645.80
78 5645.80 5645.80
79 5645.80 5645.80
80 5645.80 5645.80
81 5645.80 5645.80
82 5645.80 5645.80
83 5645.80 5645.80
84 5645.80 5645.80
85 5645.80 5645.80

2016 72
Kelompok 18

86 5645.80 5645.80
87 5645.80 5645.80
88 5645.80 5645.80
89 5645.80 5645.80
90 5645.80 5645.80
91 5645.80 5645.80
92 5645.80 5645.80
93 5645.80 5645.80
94 5645.80 5645.80
95 5645.80 5645.80
96 5645.80 5645.80
Jumlah 7625.64 1629831.98 7625.64 170.47 170.47 0.084291 0.013508 0.687052
Perhitungan error metode 5 DMA :

7625,64
MAE = = = 185,99
41
|| 170,47
MAPE = = = 4,16
41
2 1629831,98
MSE = = = 39572,00
41
2
+1 +1
1
=1 ( ) 0,084291

UTHEIL =
2 = 0,013508 = 2,50
1 +1 )
=1 (
|((__(1)))/_(1) |
NF 1 = X 100 = 1,46

Tabel 4.23 Rekap Perhitungan Error 5 DMA
MAE 185,99
MAPE 4,16
MSE 39572
U-THEIL 2,50
NF 1 1,46

2016 73
Kelompok 18
- Software SPSS
Berikut merupakan hasil output perhitungan metode 5 DMA menggunakan
software SPSS:
Tabel 4.24 Output Software SPSS 5 DMA
1 2982
2 3009
3 3110 3083.00
4 3153 3119.20
5 3161 3158.00
6 3163 3223.80
7 3203 3282.60
8 3439 3355.60 3173.32
9 3447 3465.80 3227.84
10 3526 3582.40 3297.16
11 3714 3661.20 3382.04
12 3786 3752.40 3469.52
13 3833 3854.20 3563.48
14 3903 3922.60 3663.20
15 4035 3996.20 3754.56
16 4056 4068.40 3837.32
17 4154 4146.60 3918.76
18 4194 4216.20 3997.60
19 4294 4283.80 4070.00
20 4383 4345.60 4142.24
21 4394 4410.00 4212.12
22 4463 4472.40 4280.44
23 4516 4519.60 4345.60
24 4606 4578.00 4406.28
25 4619 4626.60 4465.12
26 4686 4675.80 4521.32
27 4706 4722.20 4574.48
28 4762 4784.40 4624.44
29 4838 4834.40 4677.40
30 4930 4892.00 4728.68
31 4936 4945.20 4781.76

2016 74
Kelompok 18
Tabel 4.24 Output Software SPSS 5 DMA

32 4994 4985.00 4835.64
33 5028 5018.80 4888.20
34 5037 5060.20 4935.08
35 5099 5090.80 4980.24
36 5143 5116.80 5020.00
37 5147 5148.40 5054.32
38 5158 5197.60 5087.00
39 5195 5239.00 5122.76
40 5345 5282.00 5158.52
41 5350 5323.00 5196.76
42 5362 5369.40 5238.00
43 5363 5391.60 5282.20
44 5427 5469.00 5321.00
45 5456 5544.60 5367.00
46 5737 5645.80 5419.52
47 5740 5484.08
48 5869
- Grafik Peramalan
Berikut merupakan grafik permintaan dan hasil permalan metode 5 DMA :
Grafik Demand dan Permalan 5 DMA

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
demand forecast
Gambar 4.10 Grafik Demand dan Permalan 5 DMA

2016 75
Kelompok 18
SEST
- Manual
= 0,6 = 0,06
() = () + (1)[( 1) + ( 1)]
() = [() ( 1)] + (1 )( 1)
( + ) = () + . ()
Dimana ;
0 1 dan 0 1
Contoh perhitungan :
a(4) = (0,6) (3153) + (1 0,6) [(7450,47) +(1,31)] = 7512,04
b(4) = (0,016) [7512,04 7450,47] + (1-0,016) (1,31) = 2,28
F (4) = 7512,04 + 2,28 = 7514,32
Tabel 4.25 Perhitungan Manual dengan Metode SEST
Abs Abs
t X(t) a b F(t) Error Error Error^2 PE Abs PE Galat R
1 2982 2982 0
2 3009 2998,20 0,97 2982,00 27,00 27,00 729,00 0,00009 0,00009 0,00905
3 3110 3065,67 4,96 2999,17 110,83 110,83 12282,85 0,00036 0,00036 0,03357
4 3153 3120,05 7,93 3070,63 82,37 82,37 6784,72 0,00026 0,00026 0,01383
5 3161 3147,79 9,12 3127,98 33,02 33,02 1090,36 0,00010 0,00010 0,00254
6 3163 3160,56 9,34 3156,91 6,09 6,09 37,12 0,00002 0,00002 0,00063
7 3203 3189,76 10,53 3169,90 33,10 33,10 1095,73 0,00010 0,00010 0,01265
8 3439 3343,51 19,12 3200,29 238,71 238,71 56984,31 0,00069 0,00069 0,07368
9 3447 3413,25 22,16 3362,63 84,37 84,37 7117,45 0,00024 0,00024 0,00233
10 3526 3489,76 25,42 3435,41 90,59 90,59 8206,24 0,00026 0,00026 0,02292
11 3714 3634,47 32,58 3515,18 198,82 198,82 39527,99 0,00054 0,00054 0,05332
12 3786 3738,42 36,86 3667,05 118,95 118,95 14149,18 0,00031 0,00031 0,01939
13 3833 3809,91 38,94 3775,28 57,72 57,72 3331,79 0,00015 0,00015 0,01241
14 3903 3881,34 40,89 3848,85 54,15 54,15 2932,46 0,00014 0,00014 0,01826
15 4035 3989,89 44,95 3922,23 112,77 112,77 12718,19 0,00028 0,00028 0,03382
16 4056 4047,53 45,71 4034,84 21,16 21,16 447,92 0,00005 0,00005 0,00520
17 4154 4129,70 47,90 4093,24 60,76 60,76 3691,53 0,00015 0,00015 0,02416
18 4194 4187,44 48,49 4177,59 16,41 16,41 269,23 0,00004 0,00004 0,00963
19 4294 4270,77 50,58 4235,92 58,08 58,08 3373,00 0,00014 0,00014 0,02384
20 4383 4358,34 52,80 4321,35 61,65 61,65 3801,28 0,00014 0,00014 0,02073
21 4394 4400,85 52,18 4411,13 -17,13 17,13 293,58 -0,00004 0,00004 0,00251
2016 76
Kelompok 18
Tabel 4.25 Perhitungan Manual dengan Metode SEST (Lanjutan)

Abs Abs
22 4463 4459,01 52,54 4453,03 9,97 9,97 99,34 0,00002 0,00002 0,01570
23 4516 4514,22 52,70 4511,55 4,45 4,45 19,79 0,00001 0,00001 0,01188
24 4606 4590,37 54,11 4566,92 39,08 39,08 1527,35 0,00008 0,00008 0,01993
25 4619 4629,19 53,19 4644,47 -25,47 25,47 648,85 -0,00006 0,00006 0,00282
26 4686 4684,55 53,32 4682,38 3,62 3,62 13,12 0,00001 0,00001 0,01451
27 4706 4718,75 52,17 4737,87 -31,87 31,87 1015,66 -0,00007 0,00007 0,00427
28 4762 4765,57 51,85 4770,92 -8,92 8,92 79,55 -0,00002 0,00002 0,01190
29 4838 4829,77 52,59 4817,42 20,58 20,58 423,63 0,00004 0,00004 0,01596
30 4930 4910,94 54,31 4882,36 47,64 47,64 2269,74 0,00010 0,00010 0,01902
31 4936 4947,70 53,25 4965,25 -29,25 29,25 855,53 -0,00006 0,00006 0,00122
32 4994 4996,78 53,00 5000,95 -6,95 6,95 48,34 -0,00001 0,00001 0,01175
33 5028 5036,71 52,22 5049,78 -21,78 21,78 474,55 -0,00004 0,00004 0,00681
34 5037 5057,77 50,35 5088,93 -51,93 51,93 2696,97 -0,00010 0,00010 0,00179
35 5099 5102,65 50,02 5108,12 -9,12 9,12 83,21 -0,00002 0,00002 0,01231
36 5143 5146,87 49,67 5152,67 -9,67 9,67 93,50 -0,00002 0,00002 0,00863
37 5147 5166,82 47,89 5196,54 -49,54 49,54 2454,26 -0,00010 0,00010 0,00078
38 5158 5180,68 45,85 5214,71 -56,71 56,71 3215,50 -0,00011 0,00011 0,00214
39 5195 5207,61 44,71 5226,53 -31,53 31,53 994,14 -0,00006 0,00006 0,00717
40 5345 5307,93 48,05 5252,32 92,68 92,68 8588,71 0,00017 0,00017 0,02887
41 5350 5352,39 47,83 5355,98 -5,98 5,98 35,75 -0,00001 0,00001 0,00094
42 5362 5377,29 46,46 5400,23 -38,23 38,23 1461,18 -0,00007 0,00007 0,00224
43 5363 5387,30 44,27 5423,75 -60,75 60,75 3690,30 -0,00011 0,00011 0,00019
44 5427 5428,83 44,11 5431,57 -4,57 4,57 20,88 -0,00001 0,00001 0,01193
45 5456 5462,77 43,50 5472,93 -16,93 16,93 286,77 -0,00003 0,00003 0,00534
46 5737 5644,71 51,80 5506,27 230,73 230,73 53236,21 0,00040 0,00040 0,05150
47 5740 5722,60 53,37 5696,51 43,49 43,49 1891,29 0,00008 0,00008 0,00052
48 5869 5831,79 56,72 5775,97 93,03 93,03 8654,05 0,00016 0,00016 0,02247
49 5888,51
50 5945,22
51 6001,94
52 6058,66
53 6115,38
54 6172,09
55 6228,81
56 6285,53
57 6342,25
58 6398,96
2016 77
Kelompok 18

Abs Abs
59 6455,68
60 6512,40
61 6569,12
62 6625,83
63 6682,55
64 6739,27
65 6795,99
66 6852,70
67 6909,42
68 6966,14
69 7022,86
70 7079,57
71 7136,29
72 7193,01
73 7249,73
74 7306,44
75 7363,16
76 7419,88
77 7476,60
78 7533,31
79 7590,03
80 7646,75
81 7703,47
82 7760,18
83 7816,90
84 7873,62
85 7930,33
86 7987,05
87 8043,77
88 8100,49
89 8157,20
90 8213,92
91 8270,64
92 8327,36
93 8384,07
94 8440,79
95 8497,51
2016 78
Kelompok 18

Abs Abs
96 8554,23
Total 1575,48 2528,16 273742,11 0,004197 0,00607 0,687052
Uji Eror Peramalan

n

2
ei
MSE
i 1 273742,11
= = 5824,3
n 47

PE = x 100%

31102999,17
PEt=3= x 100% = 0,00036
3110
MAPE
PE i
= 1,29
n
IeI 2528,16
MAE = = = 53,7906
n 47

| 1 |

NF1 = x 100%

= 1,46
U-Theil

U-Theil =
0,018597572
= 0,020421763 = 0,954292505 = 0,953
Tabel 4.26 Rekap Perhitungan Error SEST
MAE 53,79
MAPE 1,29
MSE 5824,3
U-THEIL 0,953
NF1 1,46

2016 79
Kelompok 18
- Software WinQSB
Berikut merupakan hasil output perhitungan metode SEST menggunakan
software WinQSB:
Tabel 4.27 Output WinQSB
Forecast
Result for
sest
Forecast
Actual by Forecast CFE MAD MSE MAPE (%) Tracking R-square
Month Data SEST Error Signal
1 2982
2 3009 2982 27 27 27 729 0,8973081 1
3 3110 2999,172 110,8281 137,8281 68,91406 6505,937 2,230457 2
4 3153 3070,631 82,36938 220,1975 73,39917 6598,863 2,357775 3
5 3161 3127,979 33,02075 253,2183 63,30457 5221,74 2,029489 4
6 3163 3156,908 6,092285 259,3105 51,86211 4184,815 1,662113 5
7 3203 3169,898 33,10181 292,4124 48,73539 3669,967 1,557338 6
8 3439 3200,286 238,7139 531,1262 75,87518 11286,3 2,326486 7 0,8170887
9 3447 3362,635 84,36499 615,4912 76,9364 10765,2 2,341612 8 0,9056581
10 3526 3435,412 90,58838 706,0796 78,45329 10480,87 2,366894 9 0,9404879
11 3714 3515,184 198,8164 904,896 90,4896 13385,58 2,665521 10 0,8296257
12 3786 3667,05 118,9504 1023,846 93,07695 13455 2,708824 11 0,8686882
13 3833 3775,278 57,72168 1081,568 90,13068 12611,4 2,608581 12 0,9409961
14 3903 3848,848 54,1521 1135,72 87,36309 11866,86 2,514648 13 0,9867282
15 4035 3922,225 112,7749 1248,495 89,17822 11927,67 2,534667 14 0,9789721
16 4056 4034,836 21,16406 1269,659 84,64394 11162,36 2,400476 15
17 4154 4093,242 60,75781 1330,417 83,15106 10695,43 2,341861 16
18 4194 4177,592 16,4082 1346,825 79,22501 10082,12 2,227118 17
19 4294 4235,922 58,07764 1404,903 78,05016 9709,394 2,17853 18
20 4383 4321,346 61,6543 1466,557 77,18722 9398,438 2,137906 19
21 4394 4411,134 -17,1342 1449,423 74,18457 8943,196 2,050508 19,53806
22 4463 4453,033 9,966797 1459,39 71,12658 8522,06 1,963499 20,5182
23 4516 4511,551 4,44873 1463,838 68,09577 8135,593 1,878726 21,49676
24 4606 4566,919 39,08105 1502,919 66,83426 7848,277 1,833933 22,48726
25 4619 4644,473 -25,4726 1477,447 65,11086 7548,301 1,780497 22,69125
26 4686 4682,377 3,623047 1481,07 62,65135 7246,895 1,71237 23,63987
27 4706 4737,869 -31,8691 1449,201 61,46741 7007,231 1,672556 23,57673
28 4762 4770,919 -8,91894 1440,282 59,52118 6750,65 1,617546 24,1978
29 4838 4817,417 20,58252 1460,864 58,13051 6524,685 1,574971 25,13077

2016 80
Kelompok 18
Tabel 4.27 Output WinQSB (Lanjutan)

Forecast
30 4930 4882,358 47,6416 1508,506 57,76883 6377,962 1,553984 26,1128
31 4936 4965,25 -29,2495 1479,256 56,81818 6193,881 1,521937 26,03491
32 4994 5000,953 -6,95312 1472,303 55,20963 5995,638 1,477334 26,66751
33 5028 5049,784 -21,7841 1450,519 54,16508 5823,104 1,444707 26,77959
34 5037 5088,933 -51,9326 1398,586 54,09743 5728,374 1,432171 25,8531
35 5099 5108,122 -9,12207 1389,464 52,77463 5562,34 1,39531 26,32826
36 5143 5152,669 -9,66943 1379,795 51,54305 5406,087 1,360815 26,76976
37 5147 5196,541 -49,5405 1330,254 51,48743 5324,092 1,349751 25,83649
38 5158 5214,705 -56,7050 1273,549 51,62844 5267,102 1,342984 24,66759
39 5195 5226,53 -31,5297 1242,02 51,09953 5154,655 1,323614 24,30589
40 5345 5252,325 92,67529 1334,695 52,16558 5242,708 1,334134 25,58574
41 5350 5355,979 -5,97851 1328,716 51,0109 5112,534 1,303574 26,04769
42 5362 5400,226 -38,2255 1290,491 50,69906 5023,477 1,289167 25,45394
43 5363 5423,748 -60,7475 1229,743 50,93831 4991,734 1,285442 24,14181
44 5427 5431,57 -4,57031 1225,173 49,85999 4876,133 1,257507 24,57227
45 5456 5472,935 -16,9345 1208,238 49,11168 4771,829 1,235981 24,60185
46 5737 5506,271 230,7295 1438,968 53,14764 5848,813 1,297888 27,07491
47 5740 5696,511 43,48926 1482,457 52,93767 5762,78 1,286143 28,00382
48 5869 5775,973 93,02686 1575,484 53,79063 5824,295 1,292503 29,28919
49 5888,506
50 5945,224
51 6001,941
52 6058,658
53 6115,375
54 6172,093
55 6228,81
56 6285,527
57 6342,245
58 6398,962
59 6455,679
60 6512,396
61 6569,114
62 6625,831
63 6682,548
64 6739,266
65 6795,983

2016 81
Kelompok 18

Forecast
66 6852,7
67 6909,417
68 6966,135
69 7022,852
70 7079,569
71 7136,287
72 7193,004
73 7249,721
74 7306,438
75 7363,156
76 7419,873
77 7476,59
78 7533,308
79 7590,025
80 7646,742
81 7703,459
82 7760,177
83 7816,894
84 7873,611
85 7930,329
86 7987,046
87 8043,763
88 8100,48
89 8157,198
90 8213,915
91 8270,633
92 8327,351
93 8384,068
94 8440,786
95 8497,504
96 8554,222
CFE 1575,484
MAD 53,79063
MSE 5824,295
MAPE 1,292503

2016 82
Kelompok 18
Forecast
Trk.Signal 29,28919
R-square
Alpha=0,6
Beta=0,06
F(0)=2982
T(0)=0
Gambar 4.11 Output SEST pada WinQSB

- Grafik Peramalan
Berikut merupakan grafik demand dan hasil peramalan metode SEST:
Grafik Demand dan Forecasting SEST

7000
6000
5000
Jumlah
4000
3000 Demand
2000
forecast
1000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
Periode
Gambar 4.12 Grafik Demand dan Peramalan SEST Perhitungan Manual

2016 83
Kelompok 18
DEST
- Manual
= 0,6
() = . () + (1 )( 1)
() = . () + (1 )( 1)

( + ) = 2() () + [ ] [() ()]
1
Dimana :
01
Dan F(0) = F(0) = X(1)
F(0) = F(0) = X(1)= 7368

(3) = 0,6. (3110) + (1 0,6)(2998,20)= 3065,28
(3) = 0,6. (3065,28) + (1 0,6)(2991,72)=3035,86
0,6
(2 + 1) = 2(2998,20) 2991,72 + 1 [ ] [2998,20 2991,72]
1 0,6
= 3014,40
Tabel 4.28 Perhitungan Manual DEST
Abs Abs
t X(t) S(t) B(t) F(t) Error Error Error^2 PE Abs PE Galat R
1 2982 2982,00 2982,00
2 3009 2998,20 2991,72 2982,00 27,00 27,00 729,00 0,00009 0,00009 0,00905
3 3110 3065,28 3035,86 3014,40 95,60 95,60 9139,36 0,00031 0,00031 0,03357
4 3153 3117,91 3085,09 3138,84 14,16 14,16 200,51 0,00004 0,00004 0,01383
5 3161 3143,76 3120,29 3199,97 -38,97 38,97 1518,51 -0,00012 0,00012 0,00254
6 3163 3155,31 3141,30 3202,44 -39,44 39,44 1555,51 -0,00012 0,00012 0,00063
7 3203 3183,92 3166,87 3190,32 12,68 12,68 160,86 0,00004 0,00004 0,01265
8 3439 3336,97 3268,93 3226,54 212,46 212,46 45137,85 0,00062 0,00062 0,07368
9 3447 3402,99 3349,36 3507,06 -60,06 60,06 3607,67 -0,00017 0,00017 0,00233
10 3526 3476,80 3425,82 3537,04 -11,04 11,04 121,97 -0,00003 0,00003 0,02292
11 3714 3619,12 3541,80 3604,23 109,77 109,77 12050,52 0,00030 0,00030 0,05332
12 3786 3719,25 3648,27 3812,41 -26,41 26,41 697,65 -0,00007 0,00007 0,01939
13 3833 3787,50 3731,81 3896,69 -63,69 63,69 4056,98 -0,00017 0,00017 0,01241
14 3903 3856,80 3806,80 3926,73 -23,73 23,73 563,09 -0,00006 0,00006 0,01826
15 4035 3963,72 3900,95 3981,79 53,21 53,21 2831,04 0,00013 0,00013 0,03382
2016 84
Kelompok 18
Tabel 4.28 Perhitungan Manual DEST (Lanjutan)

Abs Abs
16 4056 4019,09 3971,83 4120,64 -64,64 64,64 4177,97 -0,00016 0,00016 0,00520
17 4154 4100,04 4048,75 4137,22 16,78 16,78 281,47 0,00004 0,00004 0,02416
18 4194 4156,41 4113,35 4228,24 -34,24 34,24 1172,13 -0,00008 0,00008 0,00963
19 4294 4238,97 4188,72 4264,07 29,93 29,93 895,60 0,00007 0,00007 0,02384
20 4383 4325,39 4270,72 4364,58 18,42 18,42 339,26 0,00004 0,00004 0,02073
21 4394 4366,55 4328,22 4462,05 -68,05 68,05 4631,21 -0,00015 0,00015 0,00251
22 4463 4424,42 4385,94 4462,39 0,61 0,61 0,37 0,00000 0,00000 0,01570
23 4516 4479,37 4442,00 4520,62 -4,62 4,62 21,37 -0,00001 0,00001 0,01188
24 4606 4555,35 4510,01 4572,80 33,20 33,20 1102,50 0,00007 0,00007 0,01993
25 4619 4593,54 4560,13 4668,70 -49,70 49,70 2469,81 -0,00011 0,00011 0,00282
26 4686 4649,02 4613,46 4677,07 8,93 8,93 79,74 0,00002 0,00002 0,01451
27 4706 4683,21 4655,31 4737,90 -31,90 31,90 1017,91 -0,00007 0,00007 0,00427
28 4762 4730,48 4700,41 4752,95 9,05 9,05 81,86 0,00002 0,00002 0,01190
29 4838 4794,99 4757,16 4805,66 32,34 32,34 1046,05 0,00007 0,00007 0,01596
30 4930 4876,00 4828,46 4889,57 40,43 40,43 1634,31 0,00008 0,00008 0,01902
31 4936 4912,00 4878,58 4994,83 -58,83 58,83 3461,39 -0,00012 0,00012 0,00122
32 4994 4961,20 4928,15 4995,54 -1,54 1,54 2,36 0,00000 0,00000 0,01175
33 5028 5001,28 4972,03 5043,81 -15,81 15,81 250,11 -0,00003 0,00003 0,00681
34 5037 5022,71 5002,44 5074,41 -37,41 37,41 1399,22 -0,00007 0,00007 0,00179
35 5099 5068,48 5042,07 5073,39 25,61 25,61 655,64 0,00005 0,00005 0,01231
36 5143 5113,19 5084,74 5134,53 8,47 8,47 71,73 0,00002 0,00002 0,00863
37 5147 5133,48 5113,98 5184,32 -37,32 37,32 1392,89 -0,00007 0,00007 0,00078
38 5158 5148,19 5134,51 5182,21 -24,21 24,21 586,23 -0,00005 0,00005 0,00214
39 5195 5176,28 5159,57 5182,40 12,60 12,60 158,80 0,00002 0,00002 0,00717
40 5345 5277,51 5230,33 5218,04 126,96 126,96 16117,64 0,00024 0,00024 0,02887
41 5350 5321,00 5284,74 5395,45 -45,45 45,45 2065,89 -0,00008 0,00008 0,00094
42 5362 5345,60 5321,26 5411,67 -49,67 49,67 2467,55 -0,00009 0,00009 0,00224
43 5363 5356,04 5342,13 5406,47 -43,47 43,47 1889,40 -0,00008 0,00008 0,00019
44 5427 5398,62 5376,02 5390,83 36,17 36,17 1308,57 0,00007 0,00007 0,01193
45 5456 5433,05 5410,24 5455,11 0,89 0,89 0,80 0,00000 0,00000 0,00534
46 5737 5615,42 5533,35 5490,07 246,93 246,93 60973,13 0,00043 0,00043 0,05150
47 5740 5690,17 5627,44 5820,60 -80,60 80,60 6496,54 -0,00014 0,00014 0,00052
48 5869 5797,47 5729,46 5846,99 22,01 22,01 484,47 0,00004 0,00004 0,02247
49 5967,50
50 6069,51
51 6171,53
52 6273,55
2016 85
Kelompok 18

Abs Abs
53 6375,56
54 6477,58
55 6579,60
56 6681,61
57 6783,63
58 6885,65
59 6987,66
60 7089,68
61 7191,70
62 7293,72
63 7395,73
64 7497,75
65 7599,77
66 7701,78
67 7803,80
68 7905,82
69 8007,83
70 8109,85
71 8211,87
72 8313,89
73 8415,90
74 8517,92
75 8619,94
76 8721,95
77 8823,97
78 8925,99
79 9028,00
80 9130,02
81 9232,04
82 9334,06
83 9436,07
84 9538,09
85 9640,11
86 9742,12
87 9844,14
88 9946,16
89 10048,17
2016 86
Kelompok 18

Abs Abs
90 10150,19
91 10252,21
92 10354,22
93 10456,24
94 10558,26
95 10660,28
96 10762,29
Total 283,38 2105,03 201104,44 0,00073 0,00488 0,68705
Uji Eror Peramalan

n

2
ei
MSE i 1
=
201104,44
= 4278,818
n 47

PE = x 100%

MAPE
PE i
= 1,038
n
IeI 2105,03
MAE = = = 44,788
n 47

| 1 |

NF1 = x 100 = 1,46

U-Theil
0,01203469
U-Theil =
= 0,020421763 = 0,767663402= 0,768
Tabel 4.29 Rekap Perhitungan Error DEST
MAE 44,788
MAPE 1,038
MSE 4278,818
U-THEIL 0,768
NF1 1,46

2016 87
Kelompok 18
- Software WinQSB
Berikut merupakan hasil output perhitungan metode DEST menggunakan software
WinQSB:
Tabel 4.30 Perhitungan WinQSB DEST
Forecast MAPE
Month Data DEST Error Signal
1 2982
2 3009 2982 27 27 27 729 0,8973081 1
3 3110 3014,4 95,6001 122,6001 61,30005 4934,189 1,985633 2
4 3153 3138,84 14,15967 136,7598 45,58659 3356,292 1,473451 3
5 3161 3199,969 -38,96851 97,79126 43,93207 2896,855 1,413286 2,225965
6 3163 3202,44 -39,44043 58,35083 43,03374 2628,593 1,380015 1,355932
7 3203 3190,317 12,68311 71,03394 37,9753 2217,305 1,216008 1,87053
8 3439 3226,543 212,4568 283,4907 62,90123 8348,816 1,924845 4,506919 0,6757703
9 3447 3507,064 -60,06421 223,4265 62,5466 7756,178 1,902053 3,572161
10 3526 3537,044 -11,04395 212,3826 56,82408 6907,933 1,725515 3,737545
11 3714 3604,225 109,7751 322,1577 62,11919 7422,197 1,848535 5,186122 0,9538556
12 3786 3812,413 -26,4126 295,7451 58,87313 6810,873 1,743908 5,023431
13 3833 3896,694 -63,69409 232,051 59,27488 6581,378 1,73706 3,914829
14 3903 3926,729 -23,72925 208,3218 56,5406 6118,432 1,650207 3,684463
15 4035 3981,792 53,20776 261,5295 56,30254 5883,62 1,626525 4,645075
16 4056 4120,637 -64,63672 196,8928 56,85815 5769,906 1,62433 3,462878
17 4154 4137,223 16,77734 213,6702 54,3531 5426,879 1,548052 3,931149
18 4194 4228,236 -34,23633 179,4338 53,16977 5176,6 1,505009 3,374734
19 4294 4264,074 29,92578 209,3596 51,87843 4938,764 1,460115 4,035581
20 4383 4364,581 18,41895 227,7786 50,1174 4696,684 1,405385 4,544899
21 4394 4462,053 -68,05273 159,7258 51,01417 4693,409 1,412554 3,131009
22 4463 4462,39 0,6103516 160,3362 48,61399 4469,931 1,345941 3,298149
23 4516 4520,623 -4,623047 155,7131 46,6144 4267,724 1,289415 3,340451
24 4606 4572,796 33,20361 188,9167 46,03132 4130,104 1,264696 4,104091
25 4619 4668,697 -49,69727 139,2195 46,18407 4060,926 1,256831 3,014448
26 4686 4677,071 8,929199 148,1487 44,69388 3901,678 1,214179 3,314742
27 4706 4737,905 -31,90479 116,2439 44,20199 3790,764 1,193555 2,629834
28 4762 4752,952 9,047852 125,2917 42,89998 3653,397 1,156387 2,920555
29 4838 4805,657 32,34277 157,6345 42,52294 3560,278 1,138963 3,707047
30 4930 4889,573 40,42676 198,0613 42,45066 3493,866 1,127965 4,665682
31 4936 4994,833 -58,83252 139,2288 42,99672 3492,779 1,130096 3,238125
32 4994 4995,536 -1,535645 137,6931 41,65927 3380,185 1,094633 3,305222

2016 88
Kelompok 18
Tabel 4.30 Perhitungan WinQSB DEST (Lanjutan)

Forecast MAPE
33 5028 5043,814 -15,81445 121,8787 40,85162 3282,37 1,070255 2,983448
34 5037 5074,406 -37,40625 84,47241 40,74721 3225,305 1,060327 2,073085
35 5099 5073,395 25,60547 110,0779 40,30186 3149,726 1,043911 2,731335
36 5143 5134,531 8,46875 118,5466 39,39235 3061,783 1,018789 3,009382
37 5147 5184,322 -37,32178 81,22485 39,33483 3015,426 1,010632 2,06496
38 5158 5182,213 -24,21289 57,01196 38,92613 2949,773 0,9960045 1,464619
39 5195 5182,399 12,60107 69,61304 38,23337 2876,326 0,976177 1,82074
40 5345 5218,045 126,9546 196,5676 40,50827 3215,842 1,012049 4,852531
41 5350 5395,453 -45,45264 151,115 40,63188 3187,095 1,007988 3,719124
42 5362 5411,675 -49,6748 101,4402 40,85244 3169,546 1,005998 2,483088
43 5363 5406,467 -43,46729 57,9729 40,9147 3139,066 1,001344 1,416921
44 5427 5390,826 36,17432 94,14722 40,80445 3096,497 0,9935581 2,307278
45 5456 5455,105 0,8945313 95,04175 39,89741 3026,14 0,9713499 2,382153
46 5737 5490,073 246,9272 341,969 44,49807 4313,85 1,045411 7,685029
47 5740 5820,602 -80,60156 261,3674 45,28293 4361,301 1,053211 5,771875
48 5869 5846,99 22,00977 283,3772 44,78776 4278,814 1,038782 6,327113
49 5967,495
50 6069,512
51 6171,529
52 6273,546
53 6375,563
54 6477,581
55 6579,598
56 6681,615
57 6783,632
58 6885,649
59 6987,666
60 7089,683
61 7191,7
62 7293,717
63 7395,734
64 7497,751
65 7599,769
66 7701,786
67 7803,803
68 7905,82

2016 89
Kelompok 18

Forecast MAPE
69 8007,837
70 8109,854
71 8211,871
72 8313,888
73 8415,904
74 8517,921
75 8619,938
76 8721,954
77 8823,971
78 8925,987
79 9028,004
80 9130,021
81 9232,037
82 9334,054
83 9436,07
84 9538,087
85 9640,104
86 9742,12
87 9844,137
88 9946,153
89 10048,17
90 10150,19
91 10252,2
92 10354,22
93 10456,24
94 10558,25
95 10660,27
96 10762,29
CFE 283,3772
MAD 44,78776
MSE 4278,814
MAPE 1,038782
Trk.Signal 6,327113
R-square
Alpha=0,6

2016 90
Kelompok 18

Forecast MAPE
F(0)=2982
F'(0)=2982
Grafik Peramalan
Berikut merupakan grafik demand dan hasil peramalan metode DEST :
Gambar 4.13 Grafik Output WinQSB
Grafik Demand dan Forecasting DEST

7000
6000
5000
Jumlah
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
Periode
Gambar 4.14 Grafik Demand dan Peramalan DEST Perhitungan Manual

2016 91
Kelompok 18
ARIMA / Metode Box Jenkins

a. Uji Stasioneritas (Uji Augmented Dickey-Fuller)
Level = 0
1. H0 : Data memiliki deret waktu stasioner
2. H1 : Data dengan deret waktu tidak stasioner
3. : 0,01
4. Daerah kritis : | t stat ADF| > test critical values
P-value >
5. Perhitungan :
Gambar 4.15 Uji Stasioneritas level 0

6. Keputusan : tolak H0 dengan nilai |t stat ADF| < |test critical. Values| pada level 1%
yakni
|-1,823668| < |-4,165756|
7. Kesimpulan : maka data telah teruji bahwa tidak stasioner pada deret waktu

2016 92
Kelompok 18
Level = 1
1. H0 : Data memiliki deret waktu stasioner
2. H1 : Data dengan deret waktu tidak stasioner
3. : 0,05
4. Daerah kritis : | t stat ADF| > | test critical values | pada level kepercayaan berapapun.
P-value >
5. Perhitungan :
Gambar 4.16 Uji Stasioneritas level 1

6. Keputusan : terima H0 dengan nilai |t stat ADF| > |test critical. Values| pada semua
tingkat kepercayaan dan p value lebih dari nilai alpha
7. Kesimpulan : maka data telah teruji bahwa stasioner pada deret waktu. Dapat
disimpulkan dari uji stasioneritas diatas bahwa, diferensiasi untuk nilai d pada dugaan
model ARIMA yang digunakan adalah d = 1

2016 93
Kelompok 18
b. Identifikasi ACF (Autocorrelation Function) dan PACF (Partial

Autocorrelation Function)
Untuk pemilihan 1st Difference
Gambar 4.17 Correlogram 1st Difference

Dari hasil identifikasi AC dan PAC didapatkan bahwa dengan memilih 1st Difference
dari output eviews, model demand teruji stasioner dengan memilih 1st Difference yang
menunjukkan bahwa lag menurun signifkan pada AC serta penurunan pada PAC yang
juga menurun secara signifikan. Dan menduga ordo p adalah 1 atau 2, serta q adalah 1
atau 2 dengan d =1.
c. Estimasi Parameter
o ARIMA (0,1,1)
Estimasi parameter MA (q)
1. H0 : q Signifikan
2. H1 : q tidak signifikan
2016 94
Kelompok 18
3. : 0,05
4. Daerah kritis : P-value >
5. Perhitungan :
Gambar 4.18 Arima (0,1,1)

6. Keputusan : tolak H0 karena P-value pada MA(1) > , yakni 0,1736> 0,05
7. Keputusan : bahwa model ARIMA (0,1,1) tidak signifikan
ARIMA (0,1,2)
3. : 0,05
5. Perhitungan:

2016 95
Kelompok 18
6. Keputusan : tolak H0 karena P-value pada MA(2) > , yakni 0,7144>0,05

ARIMA (1,1,0)
3. : 0,05
5. Perhitungan:

2016 96
Kelompok 18

6. Keputusan : tolak H0 karena P-value pada AR(1) > , yakni 0,1503>0,05
ARIMA (1,1,1)
3. : 0,05
5. Perhitungan:

2016 97
Kelompok 18

ARIMA (1,1,2)
3. : 0,05
5. Perhitungan:

2016 98
Kelompok 18

ARIMA (2,1,0)
3. : 0,05
5. Perhitungan:

2016 99
Kelompok 18

6. Keputusan : tolak H0 karena P-value pada AR(2) > , yakni 0,9264>0,05
ARIMA (2,1,1)
3. : 0,05
5. Perhitungan:

2016 100
Kelompok 18

ARIMA (2,1,2)
3. : 0,05
5. Perhitungan:

2016 101
Kelompok 18
6. Keputusan : terima H0 karena P-value pada MA(2) < , yakni 0,0000>0,05

7. Keputusan : bahwa model ARIMA (2,1,2) signifikan
d. Pemilihan Model ARIMA

Dasar pada pemilihan Model ARIMA ini yakni dengan memilih nilai terkecil akan
Akaike Info Criterion dan Schwarz Criterion dari model model ARIMA yang
sebelumnya diuji dalam estimasi parameter, yakni teruji signifikan atau tidak, lalu yang
dipilih adalah model model ARIMA yang parameternya teruji signifikan dan yang
terpilih adalah model ARIMA (2,1,2)

2016 102
Kelompok 18
e.Uji Residual
- Uji Correlogram (White Noise)
Uji ini adalah uji untuk penampilan gambaran correlogram dari data historis. Koefisien
pada uji ini menunjukkan kedekatan hubungan antar nilai variabel yang sama teteapi
pada waktu yang berbeda. Correlogram juga merupakan grafik dari nilai ACF dan
PACF dari berbagai lag. Lalu output dari uji correlogram ini dapat dilihat dari gambar
xx.
Gambar 4.26 output dari uji correlogram

Dari tampilan gambar xx diatas dapat diketahui bahwa tidak ada / terjadi pelanggaran
garis batas pada tiap bagian autokorelasi dan parsial korelasi, maka dari itu data (2,1,2)
ini yang digunakan.

2016 103
Kelompok 18
f. Hasil Peramalan ARIMA

Tabel 4.31 Hasil Peramalan ARIMA
Last updated: 09/03/16 - 23:15

Modified: 1 96 // ar2ma2.forecast(f=actual) linearf
1 NA
2 NA
3 NA
4 3246.792
5 3220.598
6 3228.400
7 3356.064
8 3454.262
9 3464.467
10 3499.654
11 3599.320
12 3678.162
13 3709.844
14 3758.652
15 3841.886
16 3911.189
17 3955.411
18 4010.864
19 4084.550
20 4149.253
21 4200.730
22 4259.343
23 4327.530
24 4390.079
25 4445.716
26 4505.783
27 4570.829
28 4632.408
29 4690.412
30 4751.116
31 4814.381
32 4875.551
33 4934.892
34 4995.853
35 5058.116
36 5119.130
37 5179.220
38 5240.272
39 5301.974
40 5362.941
41 5423.449
42 5484.521
43 5545.913

2016 104
Kelompok 18
44 5606.875
45 5667.614
Tabel 4.31 Hasil Peramalan ARIMA (Lanjutan)
46 5728.681
47 5789.901
48 5850.873
49 5911.740
50 5972.794
51 6033.921
52 6094.905
53 6155.841
54 6216.884
55 6277.959
56 6338.954
57 6399.927
58 6460.962
59 6522.009
60 6583.012
61 6644.005
62 6705.033
63 6766.066
64 6827.073
65 6888.078
66 6949.101
67 7010.127
68 7071.137
69 7132.148
70 7193.168
71 7254.189
72 7315.202
73 7376.216
74 7437.235
75 7498.253
76 7559.268
77 7620.283
78 7681.301
79 7742.318
80 7803.333
81 7864.349
82 7925.366
83 7986.383
84 8047.399
85 8108.415
86 8169.432
87 8230.449
88 8291.465
89 8352.481
90 8413.498
91 8474.514
92 8535.531
93 8596.547
94 8657.564

2016 105
Kelompok 18
95 8718.580
96 8779.596
Gambar 4.27 Grafik Output Software Eviews

Dari grafik terlihat jika nilai bias proportion adalah 0,155949. Nilai ini dianggap
kecil karena kurang dari 0,2. Sedangkan nilai covariance proportion adalah 0,789273.
Nilai ini akan lebih baik jika mendekati 1. Dari grafik juga terlihat jika peramalan
nantinya akan naik (linear) bertambah sesuai dengan bertambahnya waktu.
g. Perhitungan Manual ARIMA

Tabel 4.32 Perhitungan Manual Arima
1 2982
2 3009 0.009054
3 3110 0.033566
4 3153 3246.79 -93.79 8796.94 93.79 -2.97 2.97 0.000357 0.000006 0.013826
5 3161 3220.6 -59.60 3551.92 59.60 -1.89 1.89 0.000428 0.000000 0.002537
6 3163 3228.4 -65.40 4277.16 65.40 -2.07 2.07 0.002342 0.000160 0.000633
7 3203 3356.06 -153.06 23428.59 153.06 -4.78 4.78 0.000023 0.005429 0.012646
8 3439 3454.26 -15.26 232.93 15.26 -0.44 0.44 0.000026 0.000005 0.073681
9 3447 3464.47 -17.47 305.10 17.47 -0.51 0.51 0.000058 0.000525 0.002326
10 3526 3499.65 26.35 694.11 26.35 0.75 0.75 0.001058 0.002843 0.022918

2016 106
Kelompok 18
11 3714 3599.32 114.68 13151.50 114.68 3.09 3.09 0.000843 0.000376 0.053318
12 3786 3678.16 107.84 11629.03 107.84 2.85 2.85 0.001058 0.000154 0.019386
Tabel 4.32 Perhitungan Manual Arima (Lanjutan)
13 3833 3709.84 123.16 15167.40 123.16 3.21 3.21 0.001418 0.000334 0.012414
14 3903 3758.65 144.35 20836.35 144.35 3.70 3.70 0.002448 0.001144 0.018262
15 4035 3841.89 193.11 37293.02 193.11 4.79 4.79 0.001288 0.000027 0.033820
16 4056 3911.19 144.81 20970.23 144.81 3.57 3.57 0.002397 0.000584 0.005204
17 4154 3955.41 198.59 39437.59 198.59 4.78 4.78 0.001944 0.000093 0.024162
18 4194 4010.86 183.14 33538.79 183.14 4.37 4.37 0.002494 0.000569 0.009629
19 4294 4084.55 209.45 43869.30 209.45 4.88 4.88 0.002963 0.000430 0.023844
20 4383 4149.25 233.75 54637.66 233.75 5.33 5.33 0.001944 0.000006 0.020727
21 4394 4200.73 193.27 37353.29 193.27 4.40 4.40 0.002148 0.000247 0.002510
22 4463 4259.34 203.66 41476.17 203.66 4.56 4.56 0.001783 0.000141 0.015703
23 4516 4327.53 188.47 35520.94 188.47 4.17 4.17 0.002286 0.000397 0.011875
24 4606 4390.08 215.92 46621.88 215.92 4.69 4.69 0.001415 0.000008 0.019929
25 4619 4445.72 173.28 30027.34 173.28 3.75 3.75 0.001522 0.000210 0.002822
26 4686 4505.78 180.22 32478.17 180.22 3.85 3.85 0.000832 0.000018 0.014505
27 4706 4570.83 135.17 18271.20 135.17 2.87 2.87 0.000758 0.000142 0.004268
28 4762 4632.41 129.59 16794.09 129.59 2.72 2.72 0.000961 0.000255 0.011900
29 4838 4690.41 147.59 21782.22 147.59 3.05 3.05 0.001367 0.000362 0.015960
30 4930 4751.12 178.88 31999.49 178.88 3.63 3.63 0.000609 0.000001 0.019016
31 4936 4814.38 121.62 14791.18 121.62 2.46 2.46 0.000576 0.000138 0.001217
32 4994 4875.55 118.45 14030.17 118.45 2.37 2.37 0.000348 0.000046 0.011750
33 5028 4934.89 93.11 8669.10 93.11 1.85 1.85 0.000067 0.000003 0.006808
34 5037 4995.85 41.15 1693.08 41.15 0.82 0.82 0.000066 0.000152 0.001790
35 5099 5058.12 40.88 1671.50 40.88 0.80 0.80 0.000022 0.000074 0.012309
36 5143 5119.13 23.87 569.78 23.87 0.46 0.46 0.000039 0.000001 0.008629
37 5147 5179.22 -32.22 1038.13 32.22 -0.63 0.63 0.000256 0.000005 0.000778
38 5158 5240.27 -82.27 6768.68 82.27 -1.60 1.60 0.000430 0.000051 0.002137
39 5195 5301.97 -106.97 11443.44 106.97 -2.06 2.06 0.000012 0.000834 0.007173
40 5345 5362.94 -17.94 321.88 17.94 -0.34 0.34 0.000189 0.000001 0.028874
41 5350 5423.45 -73.45 5394.76 73.45 -1.37 1.37 0.000524 0.000005 0.000935
42 5362 5484.52 -122.52 15011.40 122.52 -2.28 2.28 0.001164 0.000000 0.002243
43 5363 5545.91 -182.91 33457.17 182.91 -3.41 3.41 0.001125 0.000142 0.000186
44 5427 5606.88 -179.88 32355.02 179.88 -3.31 3.31 0.001520 0.000029 0.011934
45 5456 5667.61 -211.61 44780.48 211.61 -3.88 3.88 0.000002 0.002653 0.005344
46 5737 5728.68 8.32 69.21 8.32 0.15 0.15 0.000076 0.000000 0.051503
47 5740 5789.9 -49.90 2490.11 49.90 -0.87 0.87 0.000010 0.000505 0.000523
48 5869 5850.87 18.13 328.59 18.13 0.31 0.31 1.014618 1.000000 0.022474

2016 107
Kelompok 18
49 5911.74
50 5972.79
51 6033.92
52 6094.91
53 6155.84
54 6216.88
55 6277.96
56 6338.95
57 6399.93
58 6460.96
59 6522.01
60 6583.01
61 6644.01
62 6705.03
63 6766.07
64 6827.07
65 6888.08
66 6949.1
67 7010.13
68 7071.14
69 7132.15
70 7193.17
71 7254.19
72 7315.2
73 7376.22
74 7437.24
75 7498.25
76 7559.27
77 7620.28
78 7681.3
79 7742.32
80 7803.33
81 7864.35
82 7925.37
83 7986.38
84 8047.4
85 8108.42
86 8169.43

2016 108
Kelompok 18
87 8230.45
88 8291.47
89 8352.48
90 8413.5
91 8474.51
92 8535.53
93 8596.55
94 8657.56
95 8718.58
96 8779.6
Jumlah 2426.53 839026.05 5355.06 55.82 120.63 1.057815 1.019104 0.687052
Perhitungan error
2426,53
MAE = = = 53,92
45
|| ,
MAPE = = = 2,68

839026,05
MSE = = = 18645,02
45
+ +

= ( ) 1,057815

UTHEIL = = 1,09104 = 1,02
+ )
= (
|((__()))/_() | 0,687052
NF 1 = X 100 = X 100 = 1,46
47
Tabel 4.33 Hasil Error ARIMA model (2,1,2)

MAE 53,92
MAPE 2,68
MSE 18645,02
U-THEIL 1,02
NF1 1,46

2016 109
Kelompok 18
4.2.4 Validasi
Data Pola Konstan
Berikut adalah hasil rekap data pola konstan :
Tabel 4.34 Rekap Metode Error U-Theil Data Pola Konstan
Metode
Error
3SMA 5SMA 3CMA 5CMA 3WMA
U-Theil 0,9 0,81 0,52 0,67 0,89
- Tracking Signal
|| 1270+1202,67
- = = = 1236,33
2
1270
- = = 1270 =1

- = = 1270 1202,67 = 67,33

- = 4 , = 0, = 4
Berikut merupakan rekap perhitungan tracking signal:

Tabel 4.35 Perhitungan Manual Tracking Signal
t x f(t) Error Abs Error MAD CFE TS

1 8777
2 11052 9782,00 1270,00 1270,00 1270,00 1270,00 1
3 9517 10719,67 -1202,67 1202,67 1236,33 67,33 0,054462
4 11590 10118,67 1471,33 1471,33 1314,67 1538,67 1,170385
5 9249 9652,00 -403,00 403,00 1086,75 1135,67 1,045012
6 8117 8924,00 -807,00 807,00 1030,80 328,67 0,318846
7 9406 9131,00 275,00 275,00 904,83 603,67 0,667158
8 9870 9258,00 612,00 612,00 863,00 1215,67 1,408652
9 8498 9875,67 -1377,67 1377,67 927,33 -162,00 -0,17469
10 11259 10227,00 1032,00 1032,00 938,96 870,00 0,926554
11 10924 10151,00 773,00 773,00 922,37 1643,00 1,781287
12 8270 9689,00 -1419,00 1419,00 967,52 224,00 0,231521
13 9873 9701,33 171,67 171,67 901,19 395,67 0,439047
14 10961 10813,00 148,00 148,00 843,26 543,67 0,644723
15 11605 10078,00 1527,00 1527,00 892,10 2070,67 2,321127

2016 110
Kelompok 18
16 7668 9833,33 -2165,33 2165,33 976,98 -94,67 -0,0969

Tabel 4.35 Perhitungan Manual Tracking Signal (Lanjutan)
t x f(t) Error Abs Error MAD CFE TS

17 10227 9610,33 616,67 616,67 954,46 522,00 0,546907
18 10936 10891,67 44,33 44,33 900,92 566,33 0,628616
19 11512 10967,33 544,67 544,67 881,13 1111,00 1,260881
20 10454 10315,00 139,00 139,00 842,07 1250,00 1,484437
21 8979 9306,00 -327,00 327,00 816,32 923,00 1,130689
22 8485 9479,33 -994,33 994,33 824,79 -71,33 -0,08649
23 10974 10130,33 843,67 843,67 825,65 772,33 0,935423
24 10932 10474,33 457,67 457,67 809,65 1230,00 1,519171
25 9517 10612,33 -1095,33 1095,33 821,56 134,67 0,163917
26 11388 10436,67 951,33 951,33 826,75 1086,00 1,313583
27 10405 10671,00 -266,00 266,00 805,18 820,00 1,018406
28 10220 9508,33 711,67 711,67 801,72 1531,67 1,910485
29 7900 9191,00 -1291,00 1291,00 819,19 240,67 0,293786
30 9453 9228,67 224,33 224,33 798,68 465,00 0,582212
31 10333 10406,00 -73,00 73,00 774,49 392,00 0,50614
32 11432 10005,33 1426,67 1426,67 795,53 1818,67 2,286116
33 8251 9378,00 -1127,00 1127,00 805,89 691,67 0,858269
34 8451 8765,33 -314,33 314,33 790,99 377,33 0,477039
35 9594 9189,00 405,00 405,00 779,64 782,33 1,003458
36 9522 10043,33 -521,33 521,33 772,26 261,00 0,33797
37 11014 10576,67 437,33 437,33 762,95 698,33 0,915302
38 11194 10560,00 634,00 634,00 759,47 1332,33 1,754297
39 9472 10206,33 -734,33 734,33 758,81 598,00 0,788079
40 9953 9255,67 697,33 697,33 757,23 1295,33 1,710619
41 8342 9080,00 -738,00 738,00 756,75 557,33 0,736483
42 8945 8757,67 187,33 187,33 742,86 744,67 1,00243
43 8986 8812,00 174,00 174,00 729,32 918,67 1,259625
44 8505 8728,33 -223,33 223,33 717,55 695,33 0,969038
45 8694 9005,00 -311,00 311,00 708,31 384,33 0,542606
46 9816 9997,00 -181,00 181,00 696,59 203,33 0,291897
47 11481 10444,00 1037,00 1037,00 703,99 1240,33 1,761855
48 10035 10758,00 -723,00 723,00 704,40 517,33 0,734434

2016 111
Kelompok 18
Grafik Tracking Signal

5
4
3
2
1
0
-1 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
-2
-3
-4
-5
TS UCL LCL CL
Gambar 4.28 Grafik Validasi Tracking Signal

Berdasarkan grafik diatas, dapat dilihat bahwa metode terpilih 3 CMA berada dalam
batas atas dan bawah. Sehingga hasil peramalannya valid
- Uji T
1. H0 : Hasil demand dan peramalan memepunyai rataan yang sama
2. H1 : Hasil demand dan peramalan mempunyai rataan yang berbeda
3. = 0,05
4. Derajat kebebasan = thitung = 2,011741, sehingga daerah kritis : t hitung >
2,011741dan t hitung < -2,011741
5. Perhitungan :
Berikut tabel perhitungan uji T menggunakan data linier:
t-Test: Paired Two Sample for Means
Variable Variable
1 2
Mean 9834,125 9640,493
Variance 1332508 2437724
Observations 48 48
Pearson Correlation 0,400583
Hypothesized Mean
Difference 0

2016 112
Kelompok 18
df 47
t Stat 0,87956
P(T<=t) one-tail 0,191786
t Critical one-tail 1,677927
P(T<=t) two-tail 0,383573
t Critical two-tail 2,011741
6. Keputusan : Karena 0,87956 < 2,011741atau t-hitung < 2,012896 dan 0,87956 > -
2,011741atau t-hitung > -2,011741maka jangan tolak H0.
7. Kesimpulan : Pada tingkat kepercayaan 95% demand dan hasil peramalan memiliki
nilai rataan yang sama.
Data Pola Linear

Berikut adalah hasil rekap data pola linear :
Tabel 4.36 Rekap Metode Error Data Pola Linear
Metode
Error
3DMA 5DMA SEST DEST ARIMA
MAE 121,3 185,99 53,79 44,788 53,92
MAPE 2,75 4,16 1,29 1,038 2,68
MSE 18630,9 39572 5824,3 4278,818 18645,02
NF1 1,46 1,46 1,46 1,46 1,46
UTHEIL 1,55 2,5 0,953 0,768 1,02
- Moving Range
Error =Demand Peramalan = 3110 3014,40= 95.6
MR = 14.16 (95.6) = -81.44

=1
Rata Rata = = 73.41866

=1
UCL = 2.66 x = 195.2936

=1
LCL = -2.66 x = 195.2936

=1
RA + = 1,77 x = 129.951

=1
RA - = -1,77 x = 129.951


2016 113
Kelompok 18

=1
RB + = 0,89 x = 65.3426

=1
RB- = -0,89 x = 65.3426

Berikut adalah tabel rekap perhitungan peta MR yaitu :

Tabel 4.37 Perhitungan Manual Peta MR Linier
Periode X(t) F(t) Error MR Abs MR
1 2982
2 3009 2982 27.00 27.00 27
3 3110 3014.4 95.60 68.60 68.6
4 3153 3138.84 14.16 -81.44 81.44
5 3161 3199.97 -38.97 -53.13 53.128
6 3163 3202.44 -39.44 -0.47 0.472
7 3203 3190.32 12.68 52.12 52.12288
8 3439 3226.54 212.46 199.77 199.7738
9 3447 3507.06 -60.06 -272.52 272.5206
10 3526 3537.04 -11.04 49.02 49.01971
11 3714 3604.23 109.77 120.82 120.8191
12 3786 3812.41 -26.41 -136.19 136.1879
13 3833 3896.69 -63.69 -37.28 37.28137
14 3903 3926.73 -23.73 39.96 39.96497
15 4035 3981.79 53.21 76.94 76.93699
16 4056 4120.64 -64.64 -117.84 117.8448
17 4154 4137.22 16.78 81.41 81.41424
18 4194 4228.24 -34.24 -51.01 51.01344
19 4294 4264.07 29.93 64.16 64.16297
20 4383 4364.58 18.42 -11.51 11.50747
21 4394 4462.05 -68.05 -86.47 86.47205
22 4463 4462.39 0.61 68.66 68.66355
23 4516 4520.62 -4.62 -5.23 5.233629
24 4606 4572.8 33.20 37.83 37.82693
25 4619 4668.7 -49.70 -82.90 82.90108

2016 114
Kelompok 18
Tabel 4.37 Perhitungan Manual Peta MR Linier (Lanjutan)

Periode X(t) F(t) Error MR Abs MR
26 4686 4677.07 8.93 58.63 58.62683
27 4706 4737.9 -31.90 -40.83 40.83436
28 4762 4752.95 9.05 40.95 40.95222
29 4838 4805.66 32.34 23.30 23.29527
30 4930 4889.57 40.43 8.08 8.083862
31 4936 4994.83 -58.83 -99.26 99.26015
32 4994 4995.54 -1.54 57.30 57.29846
33 5028 5043.81 -15.81 -14.28 14.27961
34 5037 5074.41 -37.41 -21.59 21.59144
35 5099 5073.39 25.61 63.01 63.01159
36 5143 5134.53 8.47 -17.14 17.1361
37 5147 5184.32 -37.32 -45.79 45.79073
38 5158 5182.21 -24.21 13.11 13.10919
39 5195 5182.4 12.60 36.81 36.81387
40 5345 5218.04 126.96 114.35 114.3536
41 5350 5395.45 -45.45 -172.41 172.4073
42 5362 5411.67 -49.67 -4.22 4.222435
43 5363 5406.47 -43.47 6.21 6.207223
44 5427 5390.83 36.17 79.64 79.64137
45 5456 5455.11 0.89 -35.28 35.28006
46 5737 5490.07 246.93 246.03 246.0333
47 5740 5820.6 -80.60 -327.53 327.5285
48 5869 5846.99 22.01 102.61 102.6118

2016 115
Kelompok 18
Tabel 4.38 Rekap Peta MR Linier

MR 22.01
UCL 195.2936
CL 0
LCL -195.294
REG A+ 129.951
REG A- -129.951
REG B+ 65.3426
REG B - -65.3426
Dari tabel diatas dapat dibuat grafik sebagai berikut:

300.00
200.00
MR
100.00 UCL
CL
0.00 LCL
1 3 5 7 9 11131517192123252729313335373941434547
-100.00 RA+
RA-
-200.00 RB+
RB-
-300.00
-400.00
Gambar 4.29 Plot Data Peta MR Linier
Tracking Signal
|| 1270+1202,67
- = = = 1236,33
2
1270
- = = 1270 =1

- = = 1270 1202,67 = 67,33

- = 4 , = 0, = 4

2016 116
Kelompok 18
Berikut merupakan rekap perhitungan tracking signal:

Tabel 4.39 Perhitungan Tracking Signal
Abs
x f(t) Error Error MAD CFE TS
2982
3009 2982 27,00 27,00 27,00 27,00 1
3110 3014,4 95,60 95,60 61,30 122,60 2
3153 3138,84 14,16 14,16 45,59 136,76 3
3161 3199,969 -38,97 38,97 43,93 97,79 2,22595
3163 3202,44 -39,44 39,44 43,03 58,35 1,355934
3203 3190,317 12,68 12,68 37,98 71,03 1,87053
3439 3226,543 212,46 212,46 62,90 283,49 4,506919
3447 3507,064 -60,06 60,06 62,55 223,43 3,572167
3526 3537,044 -11,04 11,04 56,82 212,38 3,737551
3714 3604,225 109,78 109,78 62,12 322,16 5,186126
3786 3812,413 -26,41 26,41 58,87 295,75 5,023425
3833 3896,694 -63,69 63,69 59,27 232,05 3,914826
3903 3926,729 -23,73 23,73 56,54 208,32 3,684466
4035 3981,792 53,21 53,21 56,30 261,53 4,645081
4056 4120,637 -64,64 64,64 56,86 196,89 3,462878
4154 4137,223 16,78 16,78 54,35 213,67 3,931145
4194 4228,236 -34,24 34,24 53,17 179,43 3,374738
4294 4264,074 29,93 29,93 51,88 209,36 4,035587
4383 4364,581 18,42 18,42 50,12 227,78 4,544907
4394 4462,053 -68,05 68,05 51,01 159,73 3,131011
4463 4462,39 0,61 0,61 48,61 160,34 3,298145
4516 4520,623 -4,62 4,62 46,61 155,71 3,340448
4606 4572,796 33,20 33,20 46,03 188,92 4,104094
4619 4668,697 -49,70 49,70 46,18 139,22 3,014458
4686 4677,071 8,93 8,93 44,69 148,15 3,314749
4706 4737,905 -31,90 31,90 44,20 116,24 2,629836
4762 4752,952 9,05 9,05 42,90 125,29 2,920559
4838 4805,657 32,34 32,34 42,52 157,64 3,707056
4930 4889,573 40,43 40,43 42,45 198,06 4,665696
4936 4994,833 -58,83 58,83 43,00 139,23 3,238127
4994 4995,536 -1,54 1,54 41,66 137,69 3,305215
5028 5043,814 -15,81 15,81 40,85 121,88 2,983453
5037 5074,406 -37,41 37,41 40,75 84,47 2,073097
5099 5073,395 25,60 25,60 40,30 110,08 2,731336

2016 117
Kelompok 18
Tabel 4.39 Perhitungan Tracking Signal (Lanjutan)

Abs
x f(t) Error Error MAD CFE TS
5143 5134,531 8,47 8,47 39,39 118,55 3,00939
5147 5184,322 -37,32 37,32 39,33 81,22 2,064962
5158 5182,213 -24,21 24,21 38,93 57,01 1,464619
5195 5182,399 12,60 12,60 38,23 69,61 1,820738
5345 5218,045 126,96 126,96 40,51 196,57 4,852535
5350 5395,453 -45,45 45,45 40,63 151,11 3,71912
5362 5411,675 -49,68 49,68 40,85 101,44 2,48308
5363 5406,467 -43,47 43,47 40,91 57,97 1,416922
5427 5390,826 36,17 36,17 40,80 94,15 2,307271
5456 5455,105 0,90 0,90 39,90 95,04 2,382157
5737 5490,073 246,93 246,93 44,50 341,97 7,685023
5740 5820,602 -80,60 80,60 45,28 261,37 5,77186
5869 5846,99 22,01 22,01 44,79 283,38 6,327101
Grafik Tracking Signal

10
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
-2
-4
-6
TS LCL CL UCL
Gambar 4.30 Grafik Validasi Tracking Signal
Berdasarkan grafik diatas, dapat dilihat bahwa metode terpilih DEST tidak
seluruhnya berada dalam batas atas dan bawah. Sehingga hasil peramalannya tidak valid.

2016 118
Kelompok 18
Uji T
1. H0 : Hasil demand dan peramalan mempunyai rataan yang sama
2. H1 : Hasil demand dan peramalan mempunyai rataan yang berbeda
3. = 0,05
4. Daerah Kritis t hitung > t /2 = t hitung > 2.01117408 atau t hitung < -2.01117408
5. Perhitungan :
t-Test: Paired Two Sample for Means
X(t) F(t)
Mean 4467.729 4461.825407
Variance 691751.1 697400.225
Observations 48 48
Pearson Correlation 0.996954
Hypothesized Mean
Difference 0
df 47
t Stat 0.627916
P(T<=t) one-tail 0.266549
t Critical one-tail 1.677927
P(T<=t) two-tail 0.533098
t Critical two-tail 2.011741
6. Keputusan : 0.627916 < 2,011741 atau t-hitung < 2,012896 dan -0.627916 > -
2,011741 atau t-hitung > -2,011741 maka jangan tolak H0.
7. Kesimpulan : hasil demand pada peramalan memiliki nilai rataan yang sama.

2016 119
Kelompok 18
4.2.5 Hasil Peramalan

Berikut adalah hasil permalan demand pada Greighteen Cooperation :
Jumlah item yang diproduksi 48 periode ke depan. Berikut adalah perbandingan
jumlah item yang akan diproduksi pada 48 periode yang akan datang dengan
menggunakan 2 cara pemetaan data yaitu dengan cara konstan dan linear dengan di
konversi menggunakan waktu prosesnya.
Disagregasi Data Konstan menggunakan hasil peramalan periode ke 49 96 dengan
metode 3 CMA sebagai berikut:
Koleksi : 50,73% = 0,5073 x 10035,00 = 5091,76 5092
Anak anak : 49,27% = 0,4927 x 10035,00 = 4943,24 4943
Tabel 4.40 Hasil Pemecahan Data Konstan
PERIODE KOLEKSI ANAK2
1 5092 4944
2 5092 4944
3 5092 4944
4 5092 4944
5 5092 4944
6 5092 4944
7 5092 4944
8 5092 4944
9 5092 4944
10 5092 4944
11 5092 4944
12 5092 4944
13 5092 4944
14 5092 4944
15 5092 4944
16 5092 4944
17 5092 4944
18 5092 4944
19 5092 4944
20 5092 4944
21 5092 4944
22 5092 4944
23 5092 4944
24 5092 4944
25 5092 4944
26 5092 4944
27 5092 4944
28 5092 4944
29 5092 4944
2016 120
Kelompok 18
Tabel 4.40 Hasil Pemecahan Data Konstan (Lanjutan)

PERIODE KOLEKSI ANAK2
30 5092 4944
31 5092 4944
32 5092 4944
33 5092 4944
34 5092 4944
35 5092 4944
36 5092 4944
37 5092 4944
38 5092 4944
39 5092 4944
40 5092 4944
41 5092 4944
42 5092 4944
43 5092 4944
44 5092 4944
45 5092 4944
46 5092 4944
47 5092 4944
48 5092 4944
Data Linier:
Style mengikuti hasil ramalan periode ke 49 96 dengan metode DEST.
Berikut merupakan rekap tabel hasil peramalan 48 periode mendatang:
Tabel 4.41 Hasil Ramalan Konstan Dan Linier 48 Periode Kedepan
HASIL PERAMALAN
TAHUN BULAN PERIODE KOLEKSI ANAK2 STYLE
OCT 1 5092 4944 5967,5
2012 NOV 2 5092 4944 6069,51
DEC 3 5092 4944 6171,53
JAN 4 5092 4944 6273,55
FEB 5 5092 4944 6375,56
MAR 6 5092 4944 6477,58
APR 7 5092 4944 6579,6
2013 MAY 8 5092 4944 6681,61
JUN 9 5092 4944 6783,63
JUL 10 5092 4944 6885,65
AUG 11 5092 4944 6987,66
SEP 12 5092 4944 7089,68

2016 121
Kelompok 18
Tabel 4.41 Hasil Ramalan Konstan Dan Linier 48 Periode Kedepan (Lanjutan)
TAHUN BULAN PERIODE KOLEKSI ANAK2 STYLE

OCT 13 5092 4944 7191,7
NOV 14 5092 4944 7293,72
DEC 15 5092 4944 7395,73
JAN 16 5092 4944 7497,75
FEB 17 5092 4944 7599,77
MAR 18 5092 4944 7701,78
APR 19 5092 4944 7803,8
MAY 20 5092 4944 7905,82
JUN 21 5092 4944 8007,83
2014
JUL 22 5092 4944 8109,85
AUG 23 5092 4944 8211,87
SEP 24 5092 4944 8313,89
OCT 25 5092 4944 8415,9
NOV 26 5092 4944 8517,92
DEC 27 5092 4944 8619,94
JAN 28 5092 4944 8721,95
FEB 29 5092 4944 8823,97
MAR 30 5092 4944 8925,99
APR 31 5092 4944 9028
MAY 32 5092 4944 9130,02
JUN 33 5092 4944 9232,04
2015
JUL 34 5092 4944 9334,06
AUG 35 5092 4944 9436,07
SEP 36 5092 4944 9538,09
OCT 37 5092 4944 9640,11
NOV 38 5092 4944 9742,12
DEC 39 5092 4944 9844,14
JAN 40 5092 4944 9946,16
FEB 41 5092 4944 10048,17
MAR 42 5092 4944 10150,19
APR 43 5092 4944 10252,21
2016 MAY 44 5092 4944 10354,22
JUN 45 5092 4944 10456,24
JUL 46 5092 4944 10558,26
AUG 47 5092 4944 10660,28
SEP 48 5092 4944 10762,29

2016 122
Kelompok 18
BAB V
ANALISIS
5.1 Analisis Pola Data Konstan

5.1.1 Analisis Semua Metode Peramalan
a. Metode SMA (Single Moving Average)
Metode SMA atau Single Moving Average merupakan metode peramalan
kuantitatif yang termasuk dalam metode time series yang berguna untuk mengetahui
hasil peramalan berdasarkan data historis permintaan yang ada. Tujuan menggunakan
metode SMA dalam peramalan ini adalah untuk mengetahui pola data permintaan
dimasa mendatang, serta dengan metode SMA ini dalam perhitungannya tidak perlu
menggunakan asumsi-asumsi yang kompleks. Pada perhitungan peramalan dengan
metode SMA (Single Moving Average), lead time yang dipakai adalah 3 dan 5. Lead
time yang dipakai 3 dan 5 dikarenakan semakin kecil lead time maka hasil peramalan
akan semakin akurat Perhitungan dengan menggunakan lead time 3 dilakukan dengan
menghitung rata-rata dari 3 periode pemintaan atau demand, kemudian rata-rata tersebut
dijadikan sebagai hasil peramalan pada periode 4 dan begitu seterusnya. Sedangkan
perhitungan dengan lead time 5 dilakukan dengan menghitung rata-rata dari 5 periode
permintaan, kemudian rata-rata tersebut dijadikan sebagai hasil peramalan pada periode
6 dan begitu seterusnya. Error yang dipakai dalam metode SMA ini MAE, MAPE,
MSE, NF1, dan U-Theil. Perhitungan peramalan dengan menggunakan metode 3 SMA
dan 5 SMA dapat dilihat pada Tabel 4.3, Tabel 4.5, Tabel 4.6 dan Tabel 4.8.
Perhitungan dilakukan secara manual maupun dengan menggunakan software WinQSB.
Perhitungan yang dilakukan secara manual maupun dengan software WinQSB
menunjukkan nilai yang tidak jauh berbeda, perbedaan tersebut dikarenakan adanya
pembulatan. Hasil peramalan dengan metode SMA juga dapat dilihat pada Gambar 4.4
dan Gambar 4.5. Berdasarkan grafik tersebut, data hasil peramalan masih mengalami
fluktuasi tetapi tidak terlalu besar sehingga hasil peramalan lebih halus (smooth)
daripada data demand aktual.
b. Metode CMA (Centered Moving Average)

2016 123
Kelompok 18
Metode CMA atau Centered Moving Average merupakan metode peramalan

hasil peramalan berdasarkan data historis permintaan yang ada. Tujuan penggunaan
metode CMA adalah untuk memprediksi pola permintaan yang akan datang dengan
menggunakan data permintaan saat itu, data permintaan sebelumnya dan data
permintaan sesudahnya. Pada perhitungan peramalan dengan metode CMA (Centered
Moving Average), lead time yang dipakai adalah 3 dan 5. . Lead time yang dipakai 3 dan
5 dikarenakan semakin kecil lead time maka hasil peramalan akan semakin akurat
Perhitungan dengan menggunakan lead time 3 dilakukan dengan menghitung rata-rata
dari 3 periode pemintaan atau demand, kemudian rata-rata tersebut dijadikan sebagai
hasil peramalan pada periode 2 yang merupakan titik tengah dari demand yang dirata-
rata, begitu seterusnya. Sedangkan perhitungan dengan lead time 5 dilakukan dengan
menghitung rata-rata dari 5 periode permintaan, kemudian rata-rata tersebut dijadikan
sebagai hasil peramalan pada periode 3 yang merupakan titik tengah dari demand yang
dirata-rata, begitu seterusnya. Error yang dipakai dalam metode SMA ini MAE, MAPE,
MSE, NF1, dan U-Theil. Perhitungan peramalan dengan menggunakan metode 3 CMA
dan 5 CMA dapat dilihat pada Tabel 4.9, Tabel 4.11, Tabel 4.12 dan Tabel 4.14.
Perhitungan dilakukan secara manual maupun dengan menggunakan software SPSS.
Perhitungan yang dilakukan secara manual maupun dengan software SPSS
menunjukkan nilai yang sama. Hasil peramalan dengan metode CMA juga dapat dilihat
pada Gambar 4.6 dan Gambar 4.7. Berdasarkan grafik tersebut, data hasil peramalan
masih mengalami fluktuasi tetapi tidak terlalu besar sehingga hasil peramalan lebih
halus (smooth) daripada data demand aktual.
c. Metode WMA (Weighted Moving Area)
Metode WMA atau Weighted Moving Average merupakan metode peramalan
hasil peramalan berdasarkan data historis permintaan yang ada. Tujuan menggunakan
metode WMA dalam perhitungan peramalan ini adalah untuk memprediksi permintaan
yang akan datang dengan memberikan lebih banyak tekanan pada permintaan yang
terbaru. Pada perhitungan peramalan dengan metode WMA (Weighted Moving

2016 124
Kelompok 18
Average), lead time yang dipakai adalah 3. Lead time yang digunakan 3 dikarenakan
apabila lead time semakin kecil maka hasil peramalannya pun akan semakin akurat
Dalam perhitungn WMA digunakan pembobotan di setiap periode waktu yang berbeda
dikarenakan peramalan di setiap waktunya tentu tidak akan sama. Bobot untuk
perhitungan dengan metode 3 WMA ini adalah 0,2; 0.35; 0.45. Perhitungan dengan
menggunakan 3 WMA dilakukan dengan cara mengalikan bobot dengan demand,
kemudian ketiga hasil perkalian tiap demand dijumlahkan sehingga menjadi hasil
peramalan yang diletakkan di periode 4, begitu seterusnya. Error yang dipakai dalam
metode SMA ini MAE, MAPE, MSE, NF1, dan U-Theil. Perhitungan peramalan
dengan menggunakan metode 3 WMA dapat dilihat pada Tabel 4.15 dan Tabel 4.17.
Perhitungan 3 WMA dilakukan secara manual maupun dengan menggunakan software
WinQSB. Perhitungan yang dilakukan secara manual maupun dengan software WinQSB
menunjukkan nilai yang tidak jauh berbeda, perbedaan tersebut dikarenakan adanya
pembulatan. Hasil peramalan dengan metode WMA juga dapat dilihat pada Gambar 4.8.
Berdasarkan grafik tersebut, data hasil peramalan masih mengalami fluktuasi tetapi
tidak terlalu besar sehingga hasil peramalan lebih halus (smooth) daripada data demand
aktual.
5.1.2 Analisis Metode Terpilih

Metode peramalan yang digunakan untuk data konstan adalah 3 SMA, 5 SMA, 3
CMA, 5 CMA, dan 3 WMA. Dari semua metode akan didapat nilai error terkecil.
Metode dengan error terkecil dijadikan sebagai metode terbaik. Pemilihan metode
terbaik dilakukan untuk mengetahui metode mana yang lebih baik digunakan pada
peramalan ini. Nilai error yang dijadikan acuan pada pemilihan ini yaitu nilai U-Theil
dikarenakan perhitungan error dengan U-Theil melibatkan permintaan 2 periode yaitu
pada periode saat itu dan periode setelahnya. Berdasarkan perhitungan yang telah
dilakukan, diketahui nilai U-Theil terkecil yaitu pada metode 3 CMA sebesar 0.52,
sehingga dapat disimpulakan bahwa metode 3 CMA merupakan metode terbaik untuk
perhitungan peramalan dengan pola data konstan.

2016 125
Kelompok 18
5.1.3 Analisis Validasi

Langkah terakhir yang dilakukan setelah menemukan metode terbaik adalah
melakukan validasi, validasi dilakukan dengan menggunakan beberapa metode
pengujian, yang digunakan dalam uji validasi antara lain dengan menggunakan Moving
Range dan Uji-T. Dengan menggunakan metode Moving Range dilakukan perhitungan
secara manual dengan mencari batas atas (UCL) dan batas bawah (LCL) untuk
mengetahui apakah nilai eror terkendali atau tidak, jika terkendali semua nilai eror
berada di dalam batas atau tidak keluar dari batas UCL dan LCL, namun jika terdapat
beberapa eror yang keluar batas maka nilai errornya tidak terkendali. Dalam
perhitungan uji validasi Moving Range pada metode terpilih yaitu metode 3 CMA
menunjukkan bahwa tidak ada nilai eror yang keluar batas dengan nilai UCL 4 dan nilai
LCL -4 sehingga hasil peramalan dengan metode 3 CMA ini dapat digunakan.
Kemudian pengujian validasi dilakukan dengan menggunakan Uji T yang digunakan
untuk menguji apakah nilai rataan antar demand dan forecast memiliki rataan yang sama
atau tidak. Perhitungan Uji T ini dilakukan dengan menggunakan bantuan Microsoft
Excel dengan membandingkan nilai t hitung > -t /2 dan t hitung < t /2 , sehingga antara
demand dan forecast memiliki rataan yang sama karena 0,87956 < 2,011741atau t-
hitung < 2,012896 dan 0,87956 > -2,011741.
5.2 Analisis Pola Data Linear

5.2.1 Analisis Semua Metode Peramalan
a. Single Eksponential Smoothing Trend (SEST)
Metode single exponential smoothing merupakan perkembangan dari metode
moving average sederhana. Peramalan dengan menggunakan metode Single
Eksponential Smoothing Trend (SEST) dilakukan dengan cara manual dan
menggunakan software. Alasan penggunaan SEST karena termasuk dalam exponensial
smoothing with trend, menurut data masa lalu dan merupakan metode yang akurat untuk
peramalan, data yang digunakan juga plot data linear jadi exponensial smoothing with
trend merupakapan metode yang bagus untuk plot data trend (linear). Perhitungan
secara manual dengan menggunakan Microsoft Excel dengan satu kali perhitungan

2016 126
Kelompok 18
peramalan dan perhitungan software dengan menggunakan software Win-Qsb. Pada

SEST ini, perhitungan dilakukan dengan menggunakan bernilai 0,6 yang digunakan
sebagai pertimbangan agar setiap nilai hasil peramalan sudah diberikan faktor
penyesuaian setiap tingkat kesalahan sehingga hasil random peramalan dapat
dimuluskan dan yang bernilai 0,06 sehingga menghasil peramalan, kecenderungan
naik ataupun turun tidak terlalu signifikan. Alasan penggunaan bernilai 0,6 karena
ketika datanya responsif dan fluktuatif maka menggunakan mendekati satu (semakin
besar) sedangkan alasan penggunaan bernilai 0,06 sesuai dengan permintaan
perusahaan. Kemudian setelah melakukan peramalan, kita menghtung nilai eror.
Perhitungan nilai eror didapatkan dari beberapa metode yaitu metode MSE 5824,3,
MAPE 1,29, MAE 53,79, NF-1 1,46, U-theil 0,953. Berdasarkan hasil dari perhitungan
eror menggunakan metode-metode tersebut, terpilihlah metode UTheil sebesar 0,953
b. Double Eksponential Smoothing Trend (DEST)
Metode ini merupakan model linear yang dikemukakan oleh Brown. Didalam
merode Doble Exponential Smoothing dilakukan proses smoothing dua kali. Peramalan
dengan menggunakan metode Double Eksponential Smoothing Trend (DEST) dilakukan
dengan cara manual dan menggunakan software. Alasan penggunaan DEST sama
seperti SEST karena termasuk dalam exponensial smoothing with trend, menurut data
masa lalu dan merupakan metode yang akurat untuk peramalan, data yang digunakan
juga plot data linear jadi exponensial smoothing with trend merupakapan metode yang
bagus untuk plot data trend (linear).Perhitungan secara manual dengan menggunakan
Microsoft Excel dengan dua tahap perhitungan peramalan, dengan mengalikan demand
pada periode tertentu dengan kemudian dijumlah dengan hasil peramalan periode
sebelumnya yang telah dikalikan dengan 1 dimana nilai adalah sebesar 0,6
sehingga perbedaan variasi random dari nilai peramalan tidak terlalu signifikan. Setelah
itu tahap kedua adalah mengalikan hasil tahap pertama tadi dengan . Sedangkan
perhitungan software dengan menggunakan software Win-Qsb. Kemudian setelah
melakukan peramalan, kita menghtung nilai eror. Perhitungan nilai eror didapatkan dari
beberapa metode yaitu metode. Berdasarkan hasil dari perhitungan eror menggunakan

2016 127
Kelompok 18
metode-metode tersebut, MSE 4278,818, MAPE 1,038, MAE 44,788, NF-1 1,46, U-
theil 0,768 terpilihlah metode Utheil sebesar 0,768
d. Metode Box Jenkins ARIMA
Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang
secara penuh mengabaikan independen variabel dalam membuat peramalan. Peramalan
dengan menggunakan Metode Box Jenkins ARIMA dilakukan dengan menggunakan
software Eviews. Alasan penggunaan metode ini yakni merupakan salah satu teknik
peramalan time series (deret waktu) yang hanya berdasarkan perilaku data variabel yang
diamati. Model ARIMA sama sekali mengabaikan variabel independen karena model
ini menggunakan nilai sekarang dan nilai-nilai lampau dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. Uji yang pertama kali dilakukan
adalah Uji Stasioneritas (Uji Augmented Dickey Fuller). Uji ini dilakukan untuk
mengetahui apakah data memiliki deret waktu yang stasioner. Kemudian dilakukan
Identifikasi ACF (Autocorrelation Function) dan PACF (Partial Auto Correlation
Function) yang menghasilkan kombinasi MA(2) AR(2). Setelah itu dilakukan estimasi
parameter dengan melihat seluruh nilai probabilitas yang nilainya tidak boleh melebihi
0,05 serta Akaike Info Criterion dan Schwarz Criterion dengan nilai paling terkecil.
Setelah itu dilakukan Pemilihan Model ARIMA pada estimasi parameter yang telah
dilakukan. Model yang terpilih adalah MA(2) karena memiliki nilai Akaike info
criterion dan Schwarz criterion yang paling kecil dibanding model-model lainnya. Pada
MA(2) nilai Akaike info criterion adalah 11,00837 dan nilai Schwarz criterion
11,20911. Selain itu, MA(2) dapat menjadi model terpilih karena nilai R-Squared-nya
paling besar yaitu 0,224960. Setelah didapatkan model terpilih, dilakukan uji residual
dengan melakukan dua uji yaitu uji kenormalan dengan memperhatikan bahwa nilai
probabilitas yang didapatkan tidak kurang dari 0,05 serta uji Uji Correlogram (With
Noise) untuk mengetahui bahwa tidak ada/terjadi pelanggaran garis batas pada setiap
autokorelasi dan parsial korelasi. Kemudian setelah melakukan peramalan, kita
menghtung nilai eror. Perhitungan nilai eror didapatkan dari beberapa metode yaitu
MAE 53,92, MAPE 2,68, MSE 18645,02, U-theil 1,02, dan NF-1 1,46. Berdasarkan
hasil dari perhitungan eror menggunakan metode-metode tersebut, terpilihlah metode

2016 128
Kelompok 18
UTheil sebesar 1,02 karena U-Theil merupakan perhitungan yang paling akurat di
antara metode-metode yang lain.
5.2.2 Analisis Metode Terbaik

Metode peramalan yang dipilih menjadi metode yang terbaik ialah metode dengan
nilai eror terkecil. Cara untuk mengetahui eror terkecil ialah membandingkan eror untuk
setiap metode. Dalam hal ini yang dilakukan perbandingan nilai eror U-THEIL .Ini
karena dengan menggunakan nilai U-THEIL maka nilai yang didapat bukan hanya nilai
dari pertimbangan data historis dan peramalan saat ini namun juga dengan
pertimbangan data historis demand sebelumnya. Tidak hanya itu dengan U-THEIL akan
juga dapat dilihat pergerakan ramalan dalam setiap periodenya sehingga peramalan
yang dilakukan semakin baik dan valid.
Berdasarkan perhitungan peramalan pada data linier dan telah dilakukan
perhitungan eror pada masing-masing metode baik pada 3 DMA, 5 DMA, SEST, DEST
maupun ARIMA. Sehingga akan diketahui mana yang menjadi metode peramalan yang
terbaik. Metode peramalan terbaik berdasarkan nilai eror yang paling kecil yaitu eror
pada metode U-THEIL. Didapatkan nilai eror dengan metode U-THEIL terkecil sebesar
0,768 pada metode peramalan DEST, sehingga DEST ditetapkan sebagai metode
terbaik. Selain metode U-THEIL, perhitungan eror dapat dilakukan dengan beberapa
perhitungan yaitu: MSE, MAPE, MAE, NF1, dan U-THEIL. Pada praktikum ini, untuk
memilih metode terbaik dilihat dari perhitungan eror menggunakan U-THEIL, karena
hasil dari U-THEIL merupakan hasil yang paling akurat dari pada hasil eror dari metode
lainnya. Eror merupakan perbandingan jumlah permintaan pada masa lalu dengan hasil
peramalan. Sehingga untuk mendapatkan hasil ramalan terbaik, harus dilihat dari nilai
eror terkecil.
5.2.3 Analisis Validasi

Setelah mendapat metode terbaik yaitu metode DEST. Langkah terakhir yang
dilakukan adalah melakukan validasi, validasi dilakukan dengan menggunakan
beberapa metode pengujian, yang digunakan dalam uji validasi antara lain dengan

2016 129
Kelompok 18
menggunakan Moving Range, Tracking Signal dan Uji-T. Dengan menggunakan

metode Moving Range dilakukan perhitungan secara manual dengan mencari batas atas
(UCL) dan batas bawah (LCL) untuk mengetahui apakah nilai eror terkendali atau tidak,
jika terkendali semua nilai eror berada di dalam batas atau tidak keluar dari batas UCL
dan LCL, namun jika terdapat beberapa eror yang keluar batas maka nilai errornya
tidak terkendali. Pada tahap uji validasi hasil didapat berdasarkan peta MR. Peta MR
digunakan untuk mengetahui ada atau tidak nilai eror yang melebihi suatu batas.
Selanjutnya didapat nilai MR = 22,01, nilai UCL = 195,2936, nilai LCL = -195,294,
nilai Region A (+) = 129,951, nilai Region A (-) = -129,951, nilai Region B (+) =
65,3426, nilai Region B (-) = -65,3426. dari hasil perhitungan tersebut dapat dilihat
bahwa terdapat eror yang berada di luar garis kontrol, yaitu pada periode ke 8, 45dan
46. Lalu dilakukan uji dengan Tracking Signal, dan hasilnya tidak semua data berada
didalam batas UCL dan LCL. Data yang berada di luar batas adalah periode 8, 11, 12,
15, 19, 20, 23, 30, 40, 46, 47, dan 48. Kemudian dilakukan Uji T. Uji ini digunakan
dalam menguji apakah nilai rataan antar demand dan forecast memiliki rataan yang
sama. Dan uji ini menggunakan software excel dengan T-test two sample for means.
Data yang diuji dengan menggunakan uji T didapatkan nilai = 0,627916, sehingga
keputusannya adalah jangan tolak Ho karena nilai t hitung < t tabel yakni 0,627916 <
2,011741 dan kesimpulannya ialah antara demand dan peramalan memiliki nilai rataan
yang sama.

2016 130
Kelompok 18
BAB VI
PENUTUP
6.1 Kesimpulan
Berdasarkan pembahasan dan perhitungan diatas dapat disimpulkan bahwa:
1. Forecasting memiliki manfaat dalam sistem industri dalam pengambilan keputusan
pada perusahaan. Perusahaan dapat memprediksi permintaan konsumen terhadap
produk dari perusahaan tersebut dengan berbagai alternatif atau metode yang dapat
memudahkan dalam penentuan jumlah produk yang akan diproduksi. Teknik
peramalan ini bertujuan untuk mengoptimalkan kapasitas produk sehingga dapat
memaksimalkan keuntungan dan meminimalkan biaya inventory, menentukan
jumlah permintaan produk pada masa yang akan datang, menentukan rencana jangka
pendek dan rencana jangka menengah produk yang ada dan dibuat dengan fasilitas
yang ada.
2. Pada praktikum modul 1 ini menggunakan data linier dan dan konstan. Untuk data
yang berpola konstan dapat dilakukan metode peramalan SMA, CMA , dan WMA.
Sedangkan data yang berpola linier digunakan metode peramalan SEST,
DEST,DMA, dan ARIMA. Selanjutnya dilakukan perhitungan error, dimana
perhitungan yang error yang digunakan adalah MSE, MAPE, MAE, NF1, dan U-
theil.
3. Pemilihan metode terbaik dimana merupakan metode yang memiliki error terkecil.
Pada pola data konstan metode terbaik yaitu 3 CMA dengan nilai error U-theil 0,52.
Dan pada pola data linier metode terbaik yaitu DEST dengan nilai error U-theil
0.768. Perhitungan error yang digunakan pada pola data konstan dan data linear
sebagai pemilihan metode terbaik adalah perhitungan U-theil karena memiliki
pembanding yang kompleks yaitu demand terhadap peramalan dan terhadap
peramalan di masa depan.
4. Implementasi dari teknik-teknik peramalan dalam dunia industri adalah teknik
peramalan ini digunakan untuk menentukan jumlah kebutuhan material dalam suatu
lantai produksi di tiap periodenya dan waktu total dalam proses produksi di tiap

2016 131
Kelompok 18
periodenya sehingga dapat ditentukan pula jumlah optimal stasiun kerja, jumlah
optimal tenaga kerja dalam rangka memaksimalkan keuntungan.
6.2 Saran
Saran untuk praktikum Perancangan Teknik Industri modul 1 Forecasting adalah
sebagai berikut :
1. Praktikan harus mampu memahami dan menguasai perhitungan metode-metode
peramalan yang digunakan baik manual maupun software yaitu Win Qsb dan
Eviews.
2. Praktikan harus lebih teliti dalam perhitungan peramalan maupun error tiap-tiap
metode peramalan dan memahami parameter dan output peramalan dari software.

2016 132
DAFTAR PUSTAKA
Gaspersz, V. 2004. Production Planning and Inventory Control. Jakarta: PT. Gramedia
Pustaka Utama.
Hartini, Sri. 2010. Usulan Perbaikan Sistem Persediaan untuk Minimasi Biaya Total
Persediaan pada PT. Semarang Autocomp Manufacturing Indonesia. Semarang.
Universitas Diponegoro.
Koutsoyiannis, A. 1977. Theory of Econometrics. Harper and Row Publisher Inc, New
York.
Makridakis. 1999. Metode dan Aplikasi Peramalan. Jakarta: Bina Aksara.
133

Fix Modul 1

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

Fix Modul 1

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM PERANCANGAN TEKNIK INDUSTRI

PROGRAM STUDI TEKNIK INDUSTRI

Semarang, 8 September 2016

KATA PENGANTAR ....................................................................................................... i

Gambar 2.1 Pola Data Konstan ....................................................................................... 11

Tabel 4.1 Data Historis Permintaan ................................................................................ 31

1.1 Latar Belakang

Program Studi Teknik Industri

juga berpengaruh pada kapasitas produksi karena dengan mengetahui jumlah

1.2 Perumusan Masalah

1.3 Tujuan Penulisan

Program Studi Teknik Industri

1.4 Pembatasan Masalah

Program Studi Teknik Industri

1.5 Sistematika Penulisan

Program Studi Teknik Industri

2..1.2 Macam Macam Peramalan

Program Studi Teknik Industri

Berdasarkan teknik yang digunakan, peramalan secara garis besar dapat

2.1.3 Tahapan dalam Peramalan

Program Studi Teknik Industri

Gambar 2. 1 Pola Data Konstan

Gambar 2. 2 Pola Linier

Gambar 2. 3 Pola data Musiman

Program Studi Teknik Industri

Gambar 2. 4 Pola data Siklis

Gambar 2. 5 Pola data Random

2.2 Metode Metode Deret Waktu (Time Series)

Program Studi Teknik Industri

Program Studi Teknik Industri

Single moving average

xt = Data pengamatan pada waktu ke-t

Double moving average

Program Studi Teknik Industri

Single eksponensial smoothing

Double eksponensial smoothing

Program Studi Teknik Industri

Triple eksponensial smoothing

Program Studi Teknik Industri

Gambar 2.6 Bentuk Umum Model ARIMA

Program Studi Teknik Industri

2.3 Metode Metode Kausal

Program Studi Teknik Industri

2.4 Pemilihan Metode Peramalan

Program Studi Teknik Industri

2.5 Verifikasi dan Validasi Model Peramalan

Program Studi Teknik Industri

Program Studi Teknik Industri

Program Studi Teknik Industri

4. Untuk melakukan permalan dalam ekonomi makro

Gambar 2.7 Tampilan EViews

Program Studi Teknik Industri

Gambar 2.8 Tampilan WinQSB

Menu menu utama yang terdapat di WinQSB

Program Studi Teknik Industri

atau penambahan variabel dan / atau pembatasan, dan memungkinkan optimasi

Program Studi Teknik Industri

peneliti kesehatan, perusahaan survei, pemerintah, peneliti pendidikan, organisasi

Gambar 2.9 Tampilan SPSS

Program Studi Teknik Industri

Berikut adalah metodologi praktikum modul 1:

Menghitung error tiap

Program Studi Teknik Industri