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
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.
Penyusun
i
DAFTAR ISI
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
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
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
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.
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)
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
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.
( xt xt 1 ...... xt N 1 ) 1 t
N t
Ft 1 xt
N t N 1 ................................... (2.1)
Simple average
Merupakan suatu metode yang menggunakan data permintaan, kemudian
mencari rata ratanya.
+1 = = =1 ....................................(2.2)
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.
.............................(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.
dimana:
L = panjang musiman
B = komponen trend
I = faktor penyesuaian musiman
Ft m = ramalan untuk n periode kedepan
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
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
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.
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
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)
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
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,
BAB III
METODOLOGI PRAKTIKUM
Mulai
Data
Market
Membuat Plot Data
Demand
Memilih Demand
Memilih Metode
Peramalan
Melakukan Peramalan
Memilih Metode
Peramalan dengan
Melakukan Validasi
Hasil Peramalan
Tidak
Valid ?
Ya
Selesai
Gambar 3.1 Metodologi Praktikum
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.
BAB IV
PENGUMPULAN DAN PENGOLAHAN DATA
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
Anak-
Tahun Bulan Periode Koleksi Style
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
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
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
Anak-anak
7000
Segmentasi pasar
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11131517192123252729313335373941434547
Periode
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
4.2.3 Peramalan
4.2.3.1 Pemilihan Metode Peramalan dan Error
4.2.3.2 Data Pola Konstan
3 SMA
- Manual
8777+11052+9517
Permalan : F(t)1 = = 9782,00
3
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
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
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
CFE 1150,335
MAD 1177,193
MSE 2049247
MAPE 12,24962
Trk.Signal 0,9771849
R-square 0,3077902
m=3
-Grafik Peramalan
Berikut adalah grafik demand dan peramalan 3SMA :
X(t) F(t)
5 SMA
- Manual
8777+11052+9517
Permalan : F(t)1 = = 9782,00
3
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
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
[ ]
Dari hasil perhitungan error manual di atas maka dapat dibuat tabel rekap perhitungan
error sebagai berikut:
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
Actual Forecast by Forecast CFE MAD MSE (%) Tracking R-square
Month Data 5-MA Error Signal
1 8777
2 11052
3 9517
4 11590
5 9249
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 :
12000
10000
8000
6000
4000
2000
0
1 4 7 10131619222528313437404346495255586164677073767982858891
X(t) F(t)
3 CMA
- Manual
8916+10568+10378
Peramalan : F(t)1 = = 9954,000000
3
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
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
Dari hasil perhitungan error manual di atas maka dapat dibuat tabel rekap perhitungan
error sebagai berikut:
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
- Grafik Peramalan
Berikut grafik demand dan peramalan 3 CMA :
12000
10000
8000
6000
4000
2000
0
1 4 7 10131619222528313437404346495255586164677073767982858891
X(t) F(t)
5 CMA
Manual
2 +1 +++1 ++2 8777+11052+9517+11590+9249
F(t) = = = 10037.00
5 5
2
[ +1 +1 ] 0.507350
U-theil = 2 = 100 = 0.67
+1 1.137166
[ ]
Dari hasil perhitungan error manual di atas maka dapat dibuat tabel rekap perhitungan
error sebagai berikut:
Tabel 4.14 Rekap Perhitungan Error 5 CMA
MAE 895.69
MAPE 9.37
MSE 1124237.90
NF1 13.28
U-theil 0.67
Software
Berikut perhitungan metode 5 CMA dengan SPSS :
Tabel 4.15 Perhitungan 5 CMA dengan SPSS
Grafik Peramalan
Berikut merupakan grafik demand dan hasil peramalan metode 5 CMA :
12000
10000
8000
6000
4000
2000
0
1 4 7 1013161922252831343740434649525558616467707376798285889194
X(t) F(t)
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
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
2
[ +1 +1 ] 0.867665
U-theil = +1
2 = 1.089720 = 0.89
[ ]
Dari hasil perhitungan error manual di atas maka dapat dibuat tabel rekap perhitungan
error sebagai berikut:
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
CFE 961.7588
MAD 1190.341
Grafik Peramalan
Berikut merupakan grafik demand dan hasil peramalan metode 3 WMA:
12000
10000
8000
6000
4000
2000
0
1 4 7 1013161922252831343740434649525558616467707376798285889194
X(t) F(t)
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
Dari hasil perhitungan error manual di atas maka dapat dibuat tabel rekap perhitungan
error sebagai berikut:
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
- Grafik Peramalan
Berikut merupakan grafik demand dan hasil peramalan metode 3 DMA :
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
5 DMA
- Manual
Berikut ini adalah perhitungan manual metode 5 DMA:
Tabel 4.22 Perhitungan Manual 5 DMA
Periode X(t) CMA F(t) Error Error^2 |Error| PE |PE| Pembilang Penyebut |Galat|
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
|((__(1)))/_(1) |
NF 1 = X 100 = 1,46
Dari hasil perhitungan error manual di atas maka dapat dibuat tabel rekap perhitungan
error sebagai berikut:
Tabel 4.23 Rekap Perhitungan Error 5 DMA
MAE 185,99
MAPE 4,16
MSE 39572
U-THEIL 2,50
NF 1 1,46
- Software SPSS
Berikut merupakan hasil output perhitungan metode 5 DMA menggunakan
software SPSS:
Tabel 4.24 Output Software SPSS 5 DMA
Periode X(t) CMA F(t)
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
- Grafik Peramalan
Berikut merupakan grafik permintaan dan hasil permalan metode 5 DMA :
demand forecast
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
Program Studi Teknik Industri
Universitas Diponegoro
2016 76
Laporan Praktikum Perancangan Teknik Industri
Modul 1- Forecasting
Kelompok 18
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
Dari hasil perhitungan error manual di atas maka dapat dibuat tabel rekap perhitungan
error sebagai berikut:
Tabel 4.26 Rekap Perhitungan Error SEST
MAE 53,79
MAPE 1,29
MSE 5824,3
U-THEIL 0,953
NF1 1,46
- 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
CFE 1575,484
MAD 53,79063
MSE 5824,295
MAPE 1,292503
Forecast
Actual by Forecast CFE MAD MSE MAPE (%) Tracking R-square
Month Data SEST Error Signal
Trk.Signal 29,28919
R-square
Alpha=0,6
Beta=0,06
F(0)=2982
T(0)=0
4000
3000 Demand
2000
forecast
1000
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46
Periode
DEST
- Manual
= 0,6
() = . () + (1 )( 1)
() = . () + (1 )( 1)
( + ) = 2() () + [ ] [() ()]
1
Dimana :
01
Dan F(0) = F(0) = X(1)
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
MAE 44,788
MAPE 1,038
MSE 4278,818
U-THEIL 0,768
NF1 1,46
- Software WinQSB
Berikut merupakan hasil output perhitungan metode DEST menggunakan software
WinQSB:
Tabel 4.30 Perhitungan WinQSB DEST
Forecast MAPE
Actual by Forecast CFE MAD MSE (%) Tracking R-square
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
CFE 283,3772
MAD 44,78776
MSE 4278,814
MAPE 1,038782
Trk.Signal 6,327113
R-square
Alpha=0,6
Grafik Peramalan
Berikut merupakan grafik demand dan hasil peramalan metode DEST :
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
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 :
c. Estimasi Parameter
o ARIMA (0,1,1)
Estimasi parameter MA (q)
1. H0 : q Signifikan
2. H1 : q tidak signifikan
Program Studi Teknik Industri
Universitas Diponegoro
2016 94
Laporan Praktikum Perancangan Teknik Industri
Modul 1- Forecasting
Kelompok 18
3. : 0,05
4. Daerah kritis : P-value >
5. Perhitungan :
ARIMA (0,1,2)
Estimasi parameter MA (q)
1. H0 : q Signifikan
2. H1 : q tidak signifikan
3. : 0,05
4. Daerah kritis : P-value >
5. Perhitungan:
ARIMA (1,1,0)
Estimasi parameter MA (q)
1. H0 : q Signifikan
2. H1 : q tidak signifikan
3. : 0,05
4. Daerah kritis : P-value >
5. Perhitungan:
ARIMA (1,1,1)
Estimasi parameter MA (q)
1. H0 : q Signifikan
2. H1 : q tidak signifikan
3. : 0,05
4. Daerah kritis : P-value >
5. Perhitungan:
ARIMA (1,1,2)
Estimasi parameter MA (q)
1. H0 : q Signifikan
2. H1 : q tidak signifikan
3. : 0,05
4. Daerah kritis : P-value >
5. Perhitungan:
ARIMA (2,1,0)
Estimasi parameter MA (q)
1. H0 : q Signifikan
2. H1 : q tidak signifikan
3. : 0,05
4. Daerah kritis : P-value >
5. Perhitungan:
ARIMA (2,1,1)
Estimasi parameter MA (q)
1. H0 : q Signifikan
2. H1 : q tidak signifikan
3. : 0,05
4. Daerah kritis : P-value >
5. Perhitungan:
ARIMA (2,1,2)
Estimasi parameter MA (q)
1. H0 : q Signifikan
2. H1 : q tidak signifikan
3. : 0,05
4. Daerah kritis : P-value >
5. Perhitungan:
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.
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
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
95 8718.580
96 8779.596
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)
Periode X(t) F(t) Error Error^2 |Error| PE |PE| Pembilang Penyebut |Galat|
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
49 5911.74
50 5972.79
Tabel 4.32 Perhitungan Manual Arima (Lanjutan)
Periode X(t) F(t) Error Error^2 |Error| PE |PE| Pembilang Penyebut |Galat|
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
87 8230.45
88 8291.47
Tabel 4.32 Perhitungan Manual Arima (Lanjutan)
Periode X(t) F(t) Error Error^2 |Error| PE |PE| Pembilang Penyebut |Galat|
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
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
TS UCL LCL CL
- 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
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.
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
=1
RB + = 0,89 x = 65.3426
=1
RB- = -0,89 x = 65.3426
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
Tracking Signal
|| 1270+1202,67
- = = = 1236,33
2
1270
- = = 1270 =1
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
Berdasarkan grafik diatas, dapat dilihat bahwa metode terpilih DEST tidak
seluruhnya berada dalam batas atas dan bawah. Sehingga hasil peramalannya tidak valid.
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.
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
Tabel 4.41 Hasil Ramalan Konstan Dan Linier 48 Periode Kedepan (Lanjutan)
BAB V
ANALISIS
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.
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
UTheil sebesar 1,02 karena U-Theil merupakan perhitungan yang paling akurat di
antara metode-metode yang lain.
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
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.
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