LAPORAN PRAKTIKUM

SISTEM PRODUKSI

ANALISA PERAMALAN
PENJUALAN PT XYZ

Untuk Memenuhi Tugas Praktikum

Mata Kuliah Sistem Produksi

DISUSUN OLEH:
ADNAN YANUAR MUHAMMAD (201521031)
VITA SOTAGAMA (201521048)
PRAMONO CATUR PUSPITO (20160201110)
JANSEN SINAGA (20160201109)

FAKULTAS TEKNIK
JURUSAN TEKNIK INDUSTRI
UNIVERSITAS ESA UNGGUL
2017
 KATA PENGANTAR

Puji syukur penulis panjatkan ke hadirat Tuhan YME, yang telah melimpahkan rahmat
dan karunia-Nya, sehingga pada akhirnya penulis dapat menyelesaikan laporan praktikum ini
dengan baik. Dimana laporan praktikum ini penulis sajikan dalam bentuk yang sederhana.
Adapun judul laporan praktikum yang penulis ambil sebagai berikut, Analisa Peramalan
Penjualan PT XYZ.
Tujuan penulisan laporan praktikum ini dibuat sebagai salah satu syarat untuk memenuhi
tugas praktikum mata kuliah Sistem Produksi Universitas Esa Unggul. Sebagai bahan
penulisan diambil dari beberapa sumber literatur yang mendukung penulisan ini. Penulis
menyadari bahwa tanpa bimbingan dan dorongan dari semua pihak, maka penulisan laporan
praktikum ini tidak akan lancar. Oleh karena itu pada kesempatan ini, penulis menyampaikan
ucapan terima kasih kepada semua pihak yang telah membantu dan memberikan semangat
sehingga terwujud penulisan ini. Penulis menyadari bahwa penulisan laporan praktikum ini
masih jauh sekali dari sempurna, untuk itu penulis mohon kritik dan saran yang bersifat
membangun demi kesempurnaan penulisan dimasa yang akan datang.
Akhir kata semoga laporan praktikum ini dapat berguna bagi penulis khususnya dan
bagi para pembaca yang berminat pada umumnya.

Jakarta, 04 Oktober 2017

Penulis

Tim Penulis

ii
 DAFTAR ISI

HALAMAN JUDUL ............................................................................................................ i

KATA PENGANTAR .......................................................................................................... ii
DAFTAR ISI ......................................................................................................................... iii
DAFTAR TABEL ................................................................................................................. iv
DAFTAR GAMBAR ............................................................................................................ v
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah ......................................................................................... 1
1.2 Rumusan Masalah ................................................................................................... 1
1.3 Identifikasi Masalah ................................................................................................ 2
1.4 Tujuan ..................................................................................................................... ??
1.5 Pembatasan Masalah ............................................................................................... ??
1.6 Sistematika Penulisan ............................................................................................. ??
BAB II LANDASAN TEORI
2.1 Pengertian Forecasting / Peramalan ....................................................................... ??
2.2 Peramalan Dalam Horison Waktu .......................................................................... ??
2.3 Peramalan Permintaan ............................................................................................ ??
2.4 Faktor-Faktor Yang Mempengaruhi Peramalan ..................................................... ??
2.5 Metode Peramalan .................................................................................................. ??
2.6 Ketepatan Peramalan .............................................................................................. ??
2.7 Lotting ..................................................................................................................... ??
2.8 Lot Sizing ................................................................................................................ ??
BAB III PENGOLAHAN DATA
3.1 Metode Regresi Linier ............................................................................................ ??
3.2 Metode Regresi Kuadratis ...................................................................................... ??
3.3 Metode DES Brown dengan = 0.1 ...................................................................... ??
3.4 Metode DES Brown dengan = 0.3 ...................................................................... ??
3.5 Metode DES Brown dengan = 0.5 ...................................................................... ??
3.6 Metode MDE Holt .................................................................................................. ??
3.7 Metode Moving Average (MA) .............................................................................. ??
3.8 Metode Double Exponential Smoothing (DES) ...................................................... ??

iii
BAB IV ANALISIS DATA
4.1 Pengujian Ketepatan Peramalan (ME, MAD, MSE, MAPE) ................................. ??
4.2 Rekapitulasi Error ................................................................................................... ??
4.3 Statistic U-Theil ...................................................................................................... ??
4.4 Tracking Signal ....................................................................................................... ??
4.5 Moving Range ......................................................................................................... ??
BAB V PENUTUP
5.1 Kesimpulan ............................................................................................................. ??
5.2 Saran ....................................................................................................................... ??
DAFTAR PUSTAKA ........................................................................................................... ??
LAMPIRAN .......................................................................................................................... ??

iv
 DAFTAR TABEL

???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??

v
 DAFTAR GAMBAR

???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??
???????????????????? ........................................................................................................... ??

vi
 BAB I
PENDAHULUAN

1.1 LATAR BELAKANG MASALAH

Dalam ilmu pengetahuan sosial segala sesuatu itu serba tidak pasti, seperti halnya
mengasumsikan jumlah penduduk, pendapatan perkapita, volume penjualan sebuah
perusahaan, konsumsi, dan sebagian itu selalu berubah-ubah dan tidak pasti. Perubahan
tersebut dipengaruhi oleh faktor-faktor yang sangat kompleks, misalnya kebudayaan
masyarakat sekitar, penghasilan suatu kelompok atau organisasi, dan sebagainya. Perubahan
hal-hal tersebut sangat sulit ditentukan secara pasti, untuk mengatasi permasalahan tersebut
kita perlu mengadakan sebuah metode teknik peramalan atau forecasting.
Istilah forecasting atau yang kita kenal dengan teknik peramalan atau peramalan
(perkiraan) sering dikaitkan tentang peramalan sesuatu yang belum terjadi, contohnya seperti
peramalan permintaan konsumen pada suatu barang pada sebuah perusahaan. Didalam
melakukan suatu analisa biasanya sering digunakan sebuah asumsi. Asumsi boleh digunakan
jika terpaksa, misalnya ada suatu faktor yang berpengaruh terhadap analisa kita, tetapi sulit
diketahui dengan pasti. Asumsi mempunyai pengaruh terhadap ketepatan dalam menggunakan
teknik peramalan atau yang sering disebut forecasting, jika asumsi yang tepat atau mendekati
fakta, maka forecasting atau peramalan yang dihasilkan juga akan mendekati kebenaran,
sebaliknya kalau asumsinya tidak tepat akan menyebabkan forecasting yang dihasilkan banyak
mengalami penyimpangan.
Melalui contoh kasus diatas dapat kita lihat bahwa teknik peramalan sangat membantu
dalam meramalkan permintaan suatu barang, penjualan, dan sebagainya. Dalam teknik
peramalan banyak faktor-faktor yang diperlukan dan dipertimbangkan untuk menghasilkan
forecasting yang tepat, maka dari itu penulis menentukan dan menjadikan Analisa Peramalan
Penjualan PT XYZ sebagai tema laporan praktikum. Keuntungan yang diharapkan dari analisa
ini adalah dapat membantu staf administrasi PT XYZ dalam memprediksi penjualan
produknya.

1.2 RUMUSAN MASALAH

Berdasarkan latar belakang yang telah diuraikan sebelumnya, hal yang dapat
menjadi rumusan masalah adalah sebagai berikut:

1
 2

1. Bagaimana metode yang dimaksud dapat membantu perusahaan untuk

meramalkan jumlah penjualan?
2. Bagaimana metode yang dimaksud akan memberikan output yang dapat
membantu dalam pengambilan keputusan bagi pemilik perusahaan?
1.3 IDENTIFIKASI MASALAH
Permasalahan utama dalam praktikum ini adalah "Bagaimana melakukan peramalan
permintaan dengan menggunakan Ms. Excel dan Winqsb.
1.4 TUJUAN
Adapun tujuan dari dilaksanakannya laporan praktikum ini antara lain :
1. Bagi Mahasiswa:
a. Dapat mengetahui gambaran umum perusahaan.
b. Untuk menerapkan ilmu yang didapat selama perkuliahan didalam
lingkungan kerja yang sesungguhnya.
c. Untuk menambah wawasan dan pengetahuan dalam bidang Business
Intelegent sebagai bekal untuk mengembangkan karir.
d. Menumbuhkan rasa profesionalisme dan tanggung jawab di dunia kerja.
e. Untuk memenuhi salah satu persyaratan agar dapat dapat menyusun
skripsi.

2. Bagi Lembaga (Kampus Universitas Esa Unggul)

a. Lebih mengenalkan nama Universitas Esa Unggul kepada masyarakat
sehingga mendapat kepercayaan dari perusahaan-perusahaan atau
instansi-instansi yang kemudian diharapkan berdampak positif terhadap
kepercayaan orang tua untuk memilih Universitas Esa Unggul sebagai
pendidikan lanjutan.
b. Dapat mengetahui sejauh mana mahasiswa Universitas Esa Unggul
memahami teori-teori yang telah didapatkan.

3. Bagi Perusahaan
Menyediakan sarana penunjang pengelolaan data dan informasi yang
terperinci dan teratur pada perusahaan. Sehingga memudahkan proses kinerja
pegawai terhadap pelayanan jasa agar dapat dilakukan secara efektif dan
efesien.
 3

1.5 PEMBATASAN MASALAH

1. Peramalan dihitung dengan menggunakan software WINQSB sub aplikasi
FC (Forecasting).
2. Metode peramalan yang digunakan adalah Simple Average, Moving
Average, Weighted Moving Average, Moving Average with Linear Trend,
Single Exponential Smoothing, Single Exponential Smoothing With Trend,
Double Exponential Smoothing, Double Exponential Smoothing With Trend,
Adaptive Exponential Smoothing, dan Linear Regresion With Time.

1.6 SISTEMATIKA PENULISAN

Penulisan laporan praktikum ini terdiri dari 5 bab, dimana masing-masing babnya
dibagi menjadi beberapa bagian di antaranya:
BAB I PENDAHULUAN
Bab ini merupakan bagian awal laporan praktikum yang menjelaskan
mengenai latar belakang masalah, rumusan masalah, identifikasi masalah, tujuan,
pembatasan masalah, sistematika penulisan.
BAB II LANDASAN TEORI
Pada bab ini berisi tinjauan pustaka bagi teori-teori yang mendasari, relevan dan
terkait dengan permasalahan yang dihadapi dalam penyusunan laporan praktikum.
BAB III PENGOLAHAN DATA
Pada bab ini menjelaskan tentang pengolahan data yang ada, berdasarkan
sumber literatur yang dijadikan dasar sebagai pembuatan laporan praktikum ini.
BAB IV ANALISIS DATA
Pada bab ini menjelaskan tentang analisa dari data-data yang ada yang kemudian
diolah sehingga menghasilkan data baru.
BAB V PENUTUP
Bab ini merupakan penutup dari penulisan laporan praktikum, yang terdiri dari
kesimpulan dan saran.
 BAB II
LANDASAN TEORI

2.1 PENGERTIAN FORECASTING / PERAMALAN

Forecasting is the art and science of predicting the events of the future. Forecasting
require historical data retrieval and project into the future with some form of mathematical
models.(menurut Rudy Aryanto, thn 2009). Peramalan (Forecasting) adalah kegiatan
mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena
adanya perbedaan kesenjangan waktu (Timelag) antara kesadaran akan dibutuhkannya suatu
kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila perbedaan waktu
tersebut panjang maka peran peramalan begitu penting dan sangat dibutuhkan, terutama dalam
penentuan kapan terjadinya suatu sehingga dapat dipersiapkan tindakan yang perlu dilakukan.
Menurut Arman Hakim Nasution (2006), Peramalan adalah proses untuk memperkirakan
beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas,
waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang dan jasa.
Peramalan tidak terlalu dibutuhkan dalam kondisi permintaan pasar yang stabil, karena
perubahan permintaan relatif kecil. Tetapi peramalan akan sangat dibutuhkan bila kondisi
permintaan pasar bersifat kompleks dan dinamis. Dalam kondisi pasar bebas, permintaan pasar
lebih banyak bersifat kompleks, dan dinamis karena permintaan tersebut akan tergantung dari
keadaan social, ekonomi, politik, aspek teknologi, produk pesaing dan produk substitusi. Oleh
karena itu peramalan yang akurat merupakan informasi yang sangat dibutuhkan dalam
pengambilan keputusan manajemen.
Jenis-jenis peramalan dapat dikategorikan sebagai berikut:
1. Peramalan Ekonomi, menjalankan siklus bisnis dengan memprediksikan tingkat
inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan
indikator perencanaan lainnya.
2. Peramalan Teknologi, memperhatikan tingkat kemajuan tekhnologi yang dapat
meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan
baru.
3. Peramalan Permintaan, proyeksi permintaan untuk produk atau layanan suatu
perusahaan. Peramalan ini disebut peramalan penjualan yaitu mengendalikan
produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan
keuangan, pemasaran dan sumber daya manusia.

4
 5

Peramalan merupakan satu-satunya prediksi atas permintaan hingga permintaan yang

sebenarnya diketahui. Dampak peramalan produk dapat dilihat pada aktivitas sumber daya
manusia, kapasitas, dan manajemen rantai pasokan (supply chain management).
Dalam menetapkan peramalan, dapat menggunaka 7 langkah sebagai berikut:
1. Menetapkan tujuan peramalan,
2. Memilih unsur apa yang akan diramal,
3. Menentukan horizon waktu peramalan,
4. Memilih tipe model peramalan,
5. Mengumpulkan data yang diperlukan untuk melakukan peramalan,
6. Membuat peramalan,
7. Memvalidasi dan menerapkan hasil peramalan.

2.2 PERAMALAN DALAM HORISON WAKTU

Dalam hubungannya dengan horison waktu peramalan, maka kita bisa
mengklasifikasikan permalan tersebut kedalam 3 kelompok, yaitu :
Peramalan Jangka Panjang
Umumnya untuk jangka waktu antara 2 sampai 10 tahun. Peramalan ini digunakan
untuk perencanaan produk dan perencanaan sumber daya.
Peramalan Jangka Menengah
Umumnya untuk jangka waktu antara 1 sampai 24 bulan. Peramalan ini lebih
mengkhusus dibandingkan peramalan jangka panjang, biasanya digunakan untuk
menentukan aliran kas, perencanaan produksi, dan penentuan anggaran.
Peramalan Jangka Pendek
Umumnya untuk jangka waktu antara 1 sampai 5 minggu. Peramalan ini digunakan
untuk mengambil keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja,
dan lain-lain keputusan kontrol jangka pendek.

2.3 PERAMALAN PERMINTAAN

Permalan permintaan merupakan tingkat permintaan produk-produk yang diharapkan
akan terealisir untuk jangka waktu tertentu pada waktu tertentu pada masa yang akan datang.
Peramalan permintaan ini akan menjadi masukkan yang penting dalam keputusan perencanaan
dan pengendalian perusahaan. Karena bagian operasional produksi bertanggung jawab
terhadap pembuatan produk yang dibutuhkan konsumen, maka keputusan-keputusan operasi
 6

produksi sangat dipengaruhi hasil dari peramalan permintaan, Peramalan permintaan ini
digunakan untuk meramalkan permintaan dari produk yang bersifat bebas (tidak tergantung),
seperti peramalan produk jadi.
Menurut Taylor III (2005) terdapat beberapa pola atau kecenderungan dalam permintaan,
berikut pola-pola permintaan yang ada adalah:
a. Pola Data Horizontal (H)
Terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata yang konstan. Deret
seperti itu stasioner terhadap nilai rata-ratanya. Suatu produk yang penjualannya
tidak meningkat atau menurun selama waktu tertentu termasuk jenis ini.

Gambar 2.1 Pola Data Horisontal

b. Pola Data Musiman (S)

Terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal
tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). Penjualan dari produk
seperti minuman ringan, es krim, dan bahan bakar pemanas ruangan semuanya
menunjukan pola jenis ini.

Gambar 2.2 Pola Data Musiman

 7

c. Pola Data Siklis (C)

Terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti
yang berhubungan dengan siklus bisnis. Penjualan produk seperti mobil, baja, dan
peralatan utama lainnya menunjukkan jenis pola data ini.

Gambar 2.3 Pola Data Siklis

d. Pola Data Trend (T)

Terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam
data. Penjualan banyak perusahaan, produk bruto nasional (GNP) dan berbagai
indikator bisnis atau ekonomi lainnya mengikuti suatu pola data trend selama
perubahannya sepanjang waktu.

Gambar 2.4 Pola Data Trend

Keempat pola ini belum cukup untuk menentukan metode yang tepat agar peramalan
menjadi efektif dengan tingkat kesalahan sekecil mungkin. (Teguh Baroto, 2002)
 8

2.4 FAKTOR-FAKTOR YANG MEMPENGARUHI PERAMALAN

Permintaan akan suatu produk pada suatu perusahaan merupakan resultan dari berbagai
faktor yang saling berinteraksi dalam pasar. Faktor- faktor ini hampir selalu merupakan
kekuatan yang berada diluar kendali perusahaan. Berbagai faktor antara lain:
a. Siklus Bisnis
Penjualan produk akan dipengaruhi oleh permintaan akan produk tersebut, dan
permintaan akan suatu produk akan dipengaruhi oleh kondisi ekonomi yang
membentuk siklus bisnis dengan fase-fase, inflasi resesi, depresi, dan masa
pemulihan.

b. Siklus Hidup Produk

Siklus hidup suatu produk biasanya mengikuti pola yang biasa disebut kurva S.
Kurva S menggambarkan besarnya permintaan terhadap waktu, dimana siklus hidup
suatu produk yang dibagi menjadi fase pengenalan, fase pertumbuhan, fase
kematangan, dan akhirnya fase penurunan. Untuk menjaga kelangsungan usaha,
maka perlu dilakukan inovasi produk pada saat yang tepat.

c. Faktor Lain
Beberapa faktor lain yang mempengaruhi permintaan adalah reaksi balik dari
pesaing, perilaku konsumen yang berubah, dan usaha-usaha yang dilakukan sendiri
oleh perusahaan seperti peningkatan kualitas, pelayanan, anggaran periklanan, dan
kebijaksanaan pembayaran secara kredit.

2.5 METODE PERAMALAN

Menurut Taylor III (2005,301) terdapat dua buah metode dalam melakukan peramalan,
yaitu metode Time Series dan metode Kausal, dimana kedua metode ini memiliki 3 buah faktor
yang mempengaruhi penilaiannya. Ketiga faktor itu adalah :
a. Faktor seri waktu (Time Series)
Merupakan kategori teknik statistik yang menggunakan data historis untuk
menentukan perilaku yang akan datang.
b. Faktor Regresi
Berusaha untuk mengembangkan hubungan-hubungan sistematis antara item yang
diramalkan dengan faktor yang menyebabkan item tersebut memiliki perilaku
tertentu, dimana diterjemahkan dalam bentuk model regresi.
 9

c. Faktor Kualitatif
Berusaha untuk membuat peramalan dengan menggunakan penilaian, opini, dan
pendapat manajemen. Metode yang biasa disebut penilaian eksekutif ini biasa
digunakan oleh para petinggi perusahaan untuk mendapatkan peramalan jangka
panjang. Peramalan dilakukan oleh sekelompok orang yang penilaiannya dianggap
valid dibandingkan dengan kelompok lain.
Metode-metode peramalan yang ada adalah:
1. Metode Time Series
Metode ini membuat peramalan dengan menggunakan asumsi bahwa masa depan
adalah fungsi dari masa lalu. Tujuannya adalah untuk menentukan pola dalam deret data
historis dan menterjemahkan pola tersebut ke masa depan. Menganalisis time series
berarti membongkar data masa lalu menjadi komponen-komponen dan kemudian
memproyeksikan ke masa atau periode yang akan datang. Model ini sendiri memiliki
metode peramalan kuantitatif, yaitu:
a. Metode Naif (Naive Method)
Cara paling sederhana untuk meramal adalah berasumsi bahwa permintaan di
periode mendatang akan sama dengan permintaan pada periode terakhir. Untuk
beberapa jenis produk, pendekatan naif (naive method) merupakan model
peramalan objektif yang paling efektif danefisien dari segi biaya. Paling tidak,
pendekatan naif memberikan titik awal untuk perbandingan dengan model lain
yang lebih canggih

b.1 Metode Rata-Rata Bergerak (Moving Average)

Metode ini digunakan dan bermanfaat apabila kita menggunakan asumsi bahwa
permintaan pasar lebih stabil sepanjang waktu. Metode ini dipakai untuk kondisi
dimana setiap data pada waktu yang berbeda mempunyai bobot yang sama
sehingga fluktuasi random data dapat diredam dengan rata-ratanya. Apabila
tidak semua data masa lalu dapat mewakili asumsi pola data berlanjut terus di
masa yang akan datang, maka dapat dipilih sejumlah N data pada periode
tertentu saja.
Secara sistematis, metode rata-rata bergerak sederhana (yang menjadi estimasi
dari permintaan periode berikutnya) ditunjukkan dengan:
 10

( )
=

dimana n adalah banyaknya periode dalam rata-rata bergerak.

b.2 Rata-Rata Bergerak dengan Pembobotan (Weighted Moving Average)

Saat terdapat tren atau pola yang terdeteksi, bobot dapat digunakan untuk
menempatkan penekanan yang lebih pada nilai terkini. Pemilihan bobot
merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkan
mereka. Oleh karena itu, pemutusan bobot yang digunakan membutuhkan
pengalaman. Sebagai contoh, jika bulan atau periode terakhir diberi bobot yang
terlalu berat, peramalan dapat menggambarkan perubahan yang terlalu cepat
yang tidak biasa pada permintaan atau pola penjualan.
Baik rata-rata bergerak sederhana maupun rata-rata bergerak dengan
pembobotan sangat efektif dalam meredam fluktuasi pada pola permintaan
untuk menghasilkan prediksi yang stabil. Tetapi rata-rata bergerak mempunyai
tiga masalah, yaitu:
Bertambahnya jumlah n (jumlah periode yang dirata-rata) memang
meredam fluktuasi dengan lebih baik, tetapi membuat metode ini kurang
sensitif terhadap perubahan nyata pada data.
Rata-rata bergerak tidak dapat menggambarkan tren dengan baik. Karena
merupakan rata-rata, mereka akan selalu berada dalam tingkat yang
sebelumnya dan tidak akan memprediksikan perubahan ke tingkat yang
lebih tinggi atau lebih rendah, yang merupakan nilai aktual sesungguhnya.
Rata-rata bergerak membutuhkan data masa lalu yang ekstensif. Dalam hal
ini, baik garis rata-rata bergerak dan garis rata-rata bergerak dengan
pembobotan tertinggal dari permintaan aktual. Walaupun demikian, rata-
rata bergerak dengan pembobotan biasanya bereaksi lebih cepat saat terjadi
perubahan permintaan. Bahkan saat periode menurun, rata-rata bergerak
dengan pembobotan dapat lebih mendekati permintaan aktual.
 11

c. Metode Eksponential Smoothing

Metode ini adalah metode peramalan yang mudah dan efisiensi penggunaannya
bila dilakukan dengan komputer. Meskipun merupakan teknik moving average,
metode ini mencakup pemeliharaan data masa lalu yang sedikit, metode ini
ditunjukkan sebagai:
= 1 + (1 1 )

Dimana:
Ft = Ramalan baru
Ft1 = Ramalan sebelumnya
At1 = Permintaan aktual periode sebelumnya
= Konstanta penghalusan

d. Metode Trend Projection

Metode ini digunakan dengan cara mencocokkan garis trend ke rangkaian titik
data historis dan kemudian memproyeksikan garis itu ke dalam ramalan jangka
panjang menengah hingga jangka panjang. Beberapa persamaan trend
matematis bisa dikembangkan, akan tetapi saat ini yang akan dibahas hanya
trend linear.
Jika kita memutuskan untuk mengembangkan garis trend linear dengan metode
statistik yang tepat, maka kita dapat memakai metode kuadrat kecil (least square
method). Metode ini digambarkan dalam bentuk perpotongan Y-nya (puncak
dimana garis itu memotong sumbu Y) dan slope-nya (kelandaian).
Jika perpotongan Y dan kelandaiannya bisa dihitung, maka persamaan yang
digunakan adalah:
= +
Dimana:
= Nilai variabel yang dihitung untuk diprediksi (disebut variabel tidak
bebas)
a = Perpotongan sumbu Y
b = Kelandaian garis regresi (atau tingkat perubahan dalam untuk
perubahan tertentu dalam
= Variabel bebas / waktu
 12

Ahli Statistik mengembangkan persamaan yang bisa digunakan untuk

memperoleh nilai a dan b untuk garis regresi. Kelandaian b diperoleh dengan:
. . .
=
2 ( )2

Dan perpotongan y dapat dihitung dengan :

=

Dimana:
b = Kelandaian garis regresi
= Nilai variabel bebas
y = Nilai variabel tak bebas
= Rata-rata nilai
= Rata-rata nilai y
n = Jumlah titik data atau observasi

2. Metode Kausal
Regresi linear, model kausal, bergabung menjadi model variabel atau hubungan
yang bisa mempengaruhi jumlah yang sedang diramal. Model ini mengasumsikan bahwa
faktor yang diramalkan mewujudkan hubungan sebab akibat dengan satu atau lebih
independent variabel. Tujuan dari model ini adalah menemukan bentuk hubungan
tersebut dan menggunakannya untuk meramalkan nilai mendatang dari dependent
variabel. Pendekatan ini lebih kuat dibandingkan metode seri waktu yang hanya
menggunakan nilai historis untuk variabel yang diramalkan.
Model matematika yang kita gunakan pada metode kuadrat terkecil dari proyeksi
trend bisa digunakan untuk melakukan analisis regresi linear.
Variabel-variabel tak bebas yang akan diramal tetap , namun sekarang variabel
bebas , bukan lagi waktu.
= +

Dimana:
= Nilai variabel tidak bebas, yaitu penjualan
a = Perpotongan sumbu Y
 13

b = Kelandaian garis regresi

= Variabel bebas

3. Trend Kuadratis
Jika trend linier merupakan deret waktu yang berupa garis lurus, maka trend
kuadratis merupakan deret waktu dengan data berupa garis parabola.
Persamaan untuk trend kuadratis adalah:
= + + 2
Dengan nilai a, b, dan c diperoleh dari:
2
=

=
2

2 2
=
4 ( 2 )2

4. Double Exponential Smoothing

Metode ini digunakan ketika berbentuk data trend. Ada dua metode dalam Double
Exponential Smoothing, yaitu:
a. Metode DES Brown
Metode ini dikembangkan oleh Browns untuk mengatasi perbedaan yang
muncul antara data aktual dan nilai peramalan apabila ada trend pada poltnya.
Dasar pemikiran dari pemulusan eksponensial linier dari Browns adalah serupa
dengan rata-rata bergerak linier (Linier Moving Average), karena kedua nilai
pemulusan tunggal dan ganda ketinggalan dari data yang sebenarnya bilamana
terdapat unsur trend, perbedaan antara nilai pemulusan tunggal dan ganda
ditambahkan kepada nilai pemulusan dan disesuaikan untuk trend. Persamaan
yang digunakan pada metode ini adalah:
= + (1 )1
= + (1 )1
= + ( ) = 2 1
 14

= ( )
1
+ = +

Dimana:
= Nilai pemulusan eksponensial tunggal
= Nilai pemulusan eksponensial ganda
= Paramater pemulusan eksponensial yang besarnya 0< <1
= Konstanta pemulusan
+ = Hasil peramalan untuk period eke depan yang diramalkan

Agar dapat menggunakan persamaan di atas, nilai St-1 dan St-1 harus tersedia.
Tetapi pada saat T=1, nilai tersebut tidak tersedia. Jadi nilai-nilai ini harus
tersedia di awal.

b. Metode DES Holt

Metode ini nilai trend tidak dimuluskan dengan pemulusan ganda secara
langsung, tetapi proses pemulusan trend dilakuakan dengan parameter berbeda
dengan parameter pada pemulusan data asli.
Secara matematis metode ini ditulis pada tiga persamaan:
Pemulusan total : = + (1)(1 + 1 )
Pemulusan trend : = ( 1 ) + (1 )1
Peramalan metode Holt : + = +

Dimana:
= Nilai pemulusan tunggal
= Data sebenarnya pada waktu ke-t
= Pemulusan trend
+ = Nilai ramalan
= Periode masa datang
, = Konstanta dengan nilai antara 0 dan 1
 15

5. Statistik U-Theil
StatistikU dari Theil ini adalah suatu metode evaluasi ketepatan ramalan yang
membandingkan antara metode peramalan formal dengan pendekatan naif dan juga
mengkuadratkan kesalahan yang terjadi sehingga kesalahan yang besar diberikan
lebih banyak bobot daripada kesalahan yang kecil. Karakteristik positif yang
ditimbulkan dalam menggunakan StatistikU dari Theil sebagai ukuran ketepatan
adalah mengenai interpretasi yang intuitif. Rumus matematisnya:

+1 +1 2
1 ( )
=1
=
+1 +1 2
1 ( )
=1

StatistikU dari Theil dapat lebih dimengerti dengan memeriksa interpretasinya,

yaitu:
U = 1 : Metode Naif sama baiknya dengan teknik peramalan formal yang
dievaluasi.
U < 1 : Teknik peramalan formal yang digunakan adalah lebih baik daripada
metode Naif. Makin kecil nilai statistik U, makin baik teknik peramalan
formal dibanding metode naif secara relatif.
U > 1 : Tidak ada gunanya menggunakan metode naif akan menghasilkan
ramalan yang lebih baik.

2.6 KETEPATAN PERAMALAN

Ketepatan peramalan adalah suatu hal yang mendasar dalam peramalan, yaitu bagaimana
mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang
diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode
peramalan. Dalam permodelan deret berkala (time series) dari data masa lalu dapat diramalkan
situasi yang akan terjadi pada masa yang akan datang. Untuk menguji kebenaran ramalan ini
digunakan ketepatan ramalan.
Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan antara lain:
1. Mean Error (ME)
Mean Error (ME) adalah rata-rata absolut dari kesalahan meramal, tanpa
menghiraukan tanda positif atau negatif
 16

=1| |
=

2. Mean Square Error (MSE)

Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian
dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur
kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan.
Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih baik
untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar.
2
=

( )2
=

3. Mean Absolute Deviation (MAD)

Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari
kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur
ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-
masing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam unit
yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan menggunakan
rumus sebegai berikut.
( )
=

4. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan
absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu.
Kemudian, merata-rata kesalahan persentase absolut tersebut. Pendekatan ini
berguna ketika ukuran atau besar variabel ramalan itu penting dalam mengevaluasi
ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal
yang dibandingkan dengan nilai nyata.
| |

100%
=

 17

| |
100%

=

5. Tracking Signal
Validasi peramalan dilakukan dengan Tracking Signal. Tracking Signal adalah suatu
ukuran bagaimana baiknya suatu peramalan memperkirakan nilai-nilai aktual. Nilai
Tracking Signal dapat dihitung dengan menggunakan rumus sebegai berikut.

=

Tracking signal yang positif menunjukan 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.

6. Moving Range
Peta Moving Range dirancang untuk membandingkan nilai permintaan aktual
dengan nilai peramalan. Data permintaan aktual dibandingkan dengan nilai peramal
pada periode yang sama. Peta tersebut dikembangkan ke periode yang akan datang
hingga dapat dibandingkan data peramalan dengan permintaan aktual. Peta Moving
Range digunakan untuk pengujian kestabilan sistem sebab-akibat yang
mempengaruhi permintaan. Rumus perhitungan peta Moving Range adalah sebagai
berikut.

= 2,66
= 2,66

= |(1 1 ) ( )|

=

1

Jika ditemukan satu titik yang berada diluar batas kendali pada saat peramalan
diverifikasi maka harus ditentukan apakah data harus diabaikan atau mencari
 18

peramal baru. Jika ditemukan sebuah titik berada diluar batas kendali maka harus
diselidiki penyebabnya. Penemuan itu mungkin saja membutuhkan penyelidikan
yang ekstensif. Jika semua titik berada di dalam batas kendali, diasumsikan bahwa
peramalan permintaan yang dihasilkan telah cukup baik. Jika terdapat titik yang
berada di luar batas kendali, jelas bahwa peramalan yang didapat kurang baik dan
harus direvisi (Gaspersz, 1998).
Kegunaan peta Moving Range ialah untuk melakukan verifikasi hasil peramalan
least square terdahulu. Jika peta Moving Range menunjukkan keadaan diluar kriteria
kendali. Hal ini berarti terdapat data yang tidak berasal dari sistem sebab-akibat yang
sama dan harus dibuang maka peramalan pun harus diulangi lagi.

2.7 LOTTING
Material Requirement Planning adalah suatu konsep dalam manajemen produksi yang
menbahas secara tepat dalam perencanaan kebutuhan barang dalam proses produksi, sehingga
barang yang dibutuhkan dapat tersedia sesuai dengan yang direncanakan. Untuk menjamin
bahwa semua kebutuhan-kebutuhan akan dipenuhi, pesanan akan dijadwalkan untuk
penyelesaian pada awal periode dimana ada kebutuhan bersih yang positif. Ukuran dari
pesanan dapat mungkin sama dengan kebutuhan bersih di periode yang bersangkutan, atau
mungkin saja lebih besar yang meliputi kebutuhan bersih di periode mendatang untuk
memanfaatkan skala ekonominya.
Lotting adalah suatu proses untuk menentukan besarnya jumlah pesanan optimal untuk
setiap item secara individual didasarkan pada hasil perhitungan kebutuhan bersih yang telah
dilakukan. Ukuran lot menentukan besarnya jumlah komponen yang diterima setiap kali pesan.
Penentuan ukuran lot ini sangat tergantung pada besarnya biaya-biaya persediaan, seperti biaya
pesan, biaya simpan, biaya modal, dan harga barang itu sendiri. Ada banyak alternatif metode
untuk menentukan ukuran lot. Beberapa teknik diarahkan untuk meminimalkan total ongkos
set-up dan ongkos simpan. Teknik-teknik tersebut adalah:
1. Economic Order Quantity (EOQ)
Dalam teknik ini besarnya ukuran lot adalah tetap. Penentuan lot berdasarkan biaya
pesan dan biaya simpan, dengan formula sebagai berikut:

2
=

 19

Dimana:
Q = EOQ
D = Kebutuhan rata-rata dalam satu bulan
S = Biaya pesan
H = Biaya simpan

2. Period Order Quantity (POQ)

POQ menggunakan alasan ekonomi yang sama dengan EOQ, namun menentukan
jumlah periode yang akan dicakup oleh setiap pesanan daripada jumlah unit yang
dipesan. Sehingga hal ini akan menghasilkan siklus yang tetap. Total biaya setiap
periode diberikan oleh fungsi dari :

=

Dalam menggunakan metode ini terdapat beberapa asumsi, yaitu : permintaan akan
produk adalah konstan, harga per unit produk adalah konstan, biaya penyimpanan
dan biaya pemesanan adalah konstan, dan lead time produk adalah konstan.

2.8 LOT SIZING

Teknik lot sizing merupakan teknik untuk meminimalkan jumlah barang yang akan
dipesan dan meminimalkan biaya persediaan. Objek dari manajemen persediaan adalah untuk
menghitung tingkat persediaan yang optimum yang sesuai dengan permintaan pasar dan
kapasitas perusahaan. Oleh karena itu perusahaan harus bisa mendefinisikan apa yang harus
dipesan, kapan harus memesan dan berapa banyak yang harus dipesan. Hal ini bukan persoalan
yang mudah. Maka dari itu manajemen harus bisa membuat keputusan untuk memesan secara
ekonomis barang yang dibutuhkan.
Salah satu metode yang dapat digunakan untuk menyelesaikan masalah perencanaan
kebutuhan bahan dalam menentukan ukuran lot pesanan adalah Dynamic Lot Sizing Models,
yang terdiri dari model simple (Lot for Lot), Heuristic (SM, LUC, dan LTC).
a. Silver Meal (SM)
Prinsip dari heurisitik adalah silver meal, yang merupakan pendekatan metode yang
mudah digunakan dan dari pengulangan pegerjaan akan didapat hasil yang baik
apabila dibandingkan dengan heuristic lainnya. Pengerjaan metode SM ini
mempunya persamaan perhitungan Economic Order Quantity (EOQ), yaitu
digunakan sebagai permintaan sebagai dasar untuk pengulangan variabel pada
 20

periode-periode selanjutnya, kemudian total permintaan diatas batas perencanaan.

Metode ini mencoba mencari biaya rata-rata minimal pada tiap periode untuk
sejumlah periode yang telah direncanakan. Rumusan umum yang dapat digunakan
adalah sebagai berikut:
1
() = ( + 2 + 23 + ( 1))

Dimana:
Dm = Permintaan pada periode m
K(m) = Rata-rata per unit waktu
m = Periode
A = Biaya order
h = Biaya simpan / unit waktu

b. Least Unit Cost (LUC)

Adalah metode dengan pendekatan try and error, penentuan jumlah pesanan dengan
pertimbangan apakah pesanan dibuat sama dengan kebutuhan bersih periode
pertama atau dengan menambah untuk menutupi kebutuhan periode-periode
selanjutnya dan lain sebagainya. Biaya periode unitnya dihitung untuk masing-
masing tahap dengan cara membagi total biaya pesan dan biaya penyimpanan
dengan jumlah lot komulatif pada setiap tahapnya. Keputusan akhir dari metode ini
didasarkan pada biaya periode unit terendah. Rumusan umum yang dapat digunakan
adalah sebagai berikut:
() = ( + 2 + 23 + ( 1)/(1 + 2 + )

Dimana:
Dm = Permintaan pada periode m
K(m) = Rata-rata biaya tiap periode bila dilakukan order untuk m periode sekaligus
m = Periode
A = Biaya order
h = Biaya simpan / unit waktu
 21

c. Least Total Cost (LTC)

Adalah metode dengan pendekatan ongkos pesan. Dengan cara memilih ongkos total
minimum yaitu menggabungkan kebutuhan sampai ongkos simpan mendakati
ongkos pesan. Biaya periode unitnya dihitung untuk masing-masing tahap dengan
cara mengalikan antar permintaan, biaya simpan, dan Period Curried. Dan hasilnya
merupakan nilai yang akan dikumulatifkan pada setiap tahapnya sehingga bila nilai
akhir mendekati biaya pesan maka perhitungan dihentikan. Langkah selanjutnya
dilakukan penjumlahan permintaan antara periode awal sampai periode diakhir
perhitungan. Permintaan tersebut selanjutnya menjadi permintaan awal.
 BAB III
PENGOLAHAN DATA

3.1 METODE REGRESI LINIER

PERHITUNGAN PERAMALAN DENGAN METODE REGRESI LINIER
Tabel 3.1 Peramalan dengan metode regresi linier
PERMINTAAN PERAMALAN Abs.E /
PERIODE (t) t*Y(t) t^2 ERROR Abs. E E^2
Y(t) Y'(t) Y(t)
1 2417 2417 1 3242.396667 -825.397 825.3967 681279.657 0.341496
2 3132 6264 4 3243.257101 -111.257 111.2571 12378.1426 0.035523
3 3920 11760 9 3244.117536 675.8825 675.8825 456817.105 0.172419
4 3796 15184 16 3244.977971 551.022 551.022 303625.276 0.145159
5 3491 17455 25 3245.838406 245.1616 245.1616 60104.2073 0.070227
6 3936 23616 36 3246.698841 689.3012 689.3012 475136.088 0.175127
7 3855 26985 49 3247.559275 607.4407 607.4407 368984.234 0.157572
8 3558 28464 64 3248.41971 309.5803 309.5803 95839.9559 0.08701
9 3532 31788 81 3249.280145 282.7199 282.7199 79930.5165 0.080045
10 3159 31590 100 3250.14058 -91.1406 91.14058 8306.60527 0.028851
11 2506 27566 121 3251.001014 -745.001 745.001 555026.512 0.297287
12 2096 25152 144 3251.861449 -1155.86 1155.861 1336015.69 0.551461
13 3192 41496 169 3252.721884 -60.7219 60.72188 3687.1472 0.019023
14 2352 32928 196 3253.582319 -901.582 901.5823 812850.678 0.383326
15 2618 39270 225 3254.442754 -636.443 636.4428 405059.379 0.243103
16 2953 47248 256 3255.303188 -302.303 302.3032 91387.2177 0.102372
17 3983 67711 289 3256.163623 726.8364 726.8364 528291.119 0.182485
18 3330 59940 324 3257.024058 72.97594 72.97594 5325.48812 0.021915
19 2503 47557 361 3257.884493 -754.884 754.8845 569850.597 0.301592
20 2427 48540 400 3258.744928 -831.745 831.7449 691799.624 0.342705
21 3973 83433 441 3259.605362 713.3946 713.3946 508931.909 0.179561
22 3861 84942 484 3260.465797 600.5342 600.5342 360641.329 0.155539
23 3789 87147 529 3261.326232 527.6738 527.6738 278439.606 0.139265
24 3676 88224 576 3262.186667 413.8133 413.8133 171241.475 0.112572
300 78055 976677 4900 78055 -4.5E-13 12832.67 8860949.56 4.325631

GRAFIK PERBANDINGAN ANTARA

PERMINTAAN DENGAN PERAMALAN

4500

4000

3500

3000

2500
PERMINTAAN

2000 PERAMALAN

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Gambar 3.1 Grafik peramalan dengan regresi liner

22
 Merupakan pola data horizontal dikarenakan nilai peramalannya berfluktuasi di sekitar
nilai rata-rata yang konstan yaitu 3252.291667 (range antara peramalan dengan nilai rata-rata
permintaan tidak terlalu jauh) dan membentuk garis horizontal.

23
 23

3.2 PERHITUNGAN
METODE REGRESI PERAMALAN DENGAN METODE REGRESI KUADRATIS
KUADRATIS
Tabel 3.2 Peramalan dengan metode regresi kuadratis
PERIODE PERMINTAAN PERAMALAN
t^2 t^3 t^4 t*Y(t) t^2*Y(t) ERROR Abs. E E^2 Abs.E / Y(t)
(t) Y(t) Y'(t)
1 2417 1 1 1 2417 2417 3617.466538 -1200.47 1200.467 1441119.91 0.33185284
2 3132 4 8 16 6264 12528 3520.482659 -388.483 388.4827 150918.7762 0.11034926
3 3920 9 27 81 11760 35280 3432.393717 487.6063 487.6063 237759.8873 0.14206013
4 3796 16 64 256 15184 60736 3353.199713 442.8003 442.8003 196072.0945 0.13205306
5 3491 25 125 625 17455 87275 3282.900646 208.0994 208.0994 43305.3411 0.06338887
6 3936 36 216 1296 23616 141696 3221.496517 714.5035 714.5035 510515.227 0.22179241
7 3855 49 343 2401 26985 188895 3168.987326 686.0127 686.0127 470613.389 0.21647694
8 3558 64 512 4096 28464 227712 3125.373072 432.6269 432.6269 187166.0585 0.13842409
9 3532 81 729 6561 31788 286092 3090.653756 441.3462 441.3462 194786.5067 0.14280029
10 3159 100 1000 10000 31590 315900 3064.829378 94.17062 94.17062 8868.106004 0.03072622
11 2506 121 1331 14641 27566 303226 3047.899938 -541.9 541.8999 293655.5424 0.17779453
12 2096 144 1728 20736 25152 301824 3039.865435 -943.865 943.8654 890881.959 0.31049579
13 3192 169 2197 28561 41496 539448 3040.72587 151.2741 151.2741 22883.86254 0.04974935
14 2352 196 2744 38416 32928 460992 3050.481242 -698.481 698.4812 487876.0455 0.22897411
15 2618 225 3375 50625 39270 589050 3069.131552 -451.132 451.1316 203519.6773 0.14698997
16 2953 256 4096 65536 47248 755968 3096.6768 -143.677 143.6768 20643.02284 0.04639709
17 3983 289 4913 83521 67711 1151087 3133.116985 849.883 849.883 722301.1385 0.27125799
18 3330 324 5832 104976 59940 1078920 3178.452109 151.5479 151.5479 22966.7634 0.04767978
19 2503 361 6859 130321 47557 903583 3232.682169 -729.682 729.6822 532436.0683 0.22572036
20 2427 400 8000 160000 48540 970800 3295.807168 -868.807 868.8072 754825.8949 0.26360983
21 3973 441 9261 194481 83433 1752093 3367.827104 605.1729 605.1729 366234.2341 0.17969239
22 3861 484 10648 234256 84942 1868724 3448.741978 412.258 412.258 169956.6769 0.11953867
23 3789 529 12167 279841 87147 2004381 3538.551789 250.4482 250.4482 62724.30624 0.07077704
24 3676 576 13824 331776 88224 2117376 3637.256538 38.74346 38.74346 1501.055812 0.01065184
GRAFIK PERBANDINGAN ANTARA
300 78055 4900 90000 1763020
PERMINTAAN DENGAN PERAMALAN 976677 16156003 78055 9.09E-12 11932.99 7993531.544 3.67925284
4500

4000

3500

3000

2500
PERMINTAAN

2000 PERAMALAN

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Gambar 3.2 Grafik peramalan dengan regresi kuadratis

Merupakan pola data horizontal dikarenakan nilai peramalannya berfluktuasi di sekitar
nilai rata-rata yang konstan yaitu 3252.291667 (range antara peramalan dengan nilai rata-rata
permintaan tidak terlalu jauh) dan membentuk garis horizontal.
 24
PERHITUNGAN PERAMALAN DENGAN METODE DOUBLE EXPONENTIAL SMOOTHING (BROWN)
3.3 METODE DES BROWN DENGAN = 0.1
Tabel 3.3 Peramalan dengan metode DES Brown dengan = 0.1
PERMINTAAN PERAMALAN Abs.E /
PERIODE S't S"t S't-S"t a b ERROR Abs. E E^2
Y(t) Y'(t) Y(t)
1 2417 2417 2417 0 2417 0
2 3132 2488.5 2424.15 64.35 2552.85 7.15 2417 715 715 511225 0.295821
3 3920 2631.65 2444.9 186.75 2818.4 20.75 2560 1360 1360 1849600 0.53125
4 3796 2748.085 2475.219 272.8665 3020.952 30.3185 2839.15 956.85 956.85 915561.9 0.33702
5 3491 2822.377 2509.934 312.4422 3134.819 34.7158 3051.27 439.73 439.73 193362.5 0.144114
6 3936 2933.739 2552.315 381.4241 3315.163 42.38045 3169.5345 766.4655 766.4655 587469.4 0.241823
7 3855 3025.865 2599.67 426.1952 3452.06 47.35502 3357.5434 497.4566 497.4566 247463.1 0.148161
8 3558 3079.078 2647.611 431.4678 3510.546 47.94087 3499.415175 58.58483 58.58483 3432.182 0.016741
9 3532 3124.371 2695.287 429.084 3553.455 47.676 3558.487161 -26.4872 26.48716 701.5697 0.007443
10 3159 3127.834 2738.541 389.2922 3517.126 43.25469 3601.130598 -442.131 442.1306 195479.5 0.122775
11 2506 3065.65 2771.252 294.398 3360.048 32.71089 3560.380476 -1054.38 1054.38 1111718 0.296143
12 2096 2968.685 2790.996 177.6897 3146.375 19.7433 3392.759073 -1296.76 1296.759 1681584 0.382214
13 3192 2991.017 2810.998 180.019 3171.036 20.00211 3166.118145 25.88186 25.88186 669.8704 0.008175
14 2352 2927.115 2822.609 104.5056 3031.621 11.61174 3191.037812 -839.038 839.0378 703984.5 0.262936
15 2618 2896.203 2829.969 66.23472 2962.438 7.359413 3043.232364 -425.232 425.2324 180822.6 0.13973
16 2953 2901.883 2837.16 64.72293 2966.606 7.191437 2969.797628 -16.7976 16.79763 282.1603 0.005656
17 3983 3009.995 2854.444 155.5512 3165.546 17.28346 2973.797515 1009.202 1009.202 1018490 0.339365
18 3330 3041.995 2873.199 168.7965 3210.792 18.75517 3182.829449 147.1706 147.1706 21659.17 0.046239
19 2503 2988.096 2884.689 103.4073 3091.503 11.4897 3229.547021 -726.547 726.547 527870.6 0.224969
20 2427 2931.986 2889.418 42.56792 2974.554 4.729769 3102.992784 -675.993 675.9928 456966.2 0.217852
21 3973 3036.088 2904.085 132.0024 3168.09 14.66693 2979.283924 993.7161 993.7161 987471.6 0.333542
22 3861 3118.579 2925.535 193.0442 3311.623 21.44936 3182.756908 678.2431 678.2431 460013.7 0.213099
23 3789 3185.621 2951.543 234.0777 3419.699 26.00864 3333.072456 455.9275 455.9275 207869.9 0.136789
24 3676 3234.659 2979.855 254.8041 3489.463 28.31156 3445.707326 230.2927 230.2927 53034.72 0.066835
300 78055 70696.07 65630.38 5065.693 75761.76 562.8548 72806.84371 2831.156 13837.89 11916732 4.518691
GRAFIK PERBANDINGAN ANTARA
PERMINTAAN DENGAN PERAMALAN

4500

4000

3500

3000

2500
PER MINTAAN

2000 PER AM ALAN

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Gambar 3.3 Grafik peramalan dengan metode DES Brown dengan = 0.1
Merupakan pola data horizontal dikarenakan nilai peramalannya berfluktuasi di sekitar
nilai rata-rata yang konstan yaitu 3252.291667 (range antara peramalan dengan nilai rata-rata
 25

permintaan tidak terlalu jauh) dan membentuk garis horizontal.

PERHITUNGAN PERAMALAN DENGAN METODE DOUBLE EXPONENTIAL SMOOTHING (BROWN)

3.4 METODE DES BROWN DENGAN = 0.3
Tabel 3.4 Peramalan dengan metode DES Brown dengan = 0.3
PERMINTAAN PERAMALAN Abs.E /
PERIODE S't S"t S't-S"t a b ERROR Abs. E E^2
Y(t) Y'(t) Y(t)
1 2417 2417 2417 0 2417 0
2 3132 2631.5 2481.35 150.15 2781.65 64.35 2417 715 715 511225 0.295821
3 3920 3018.05 2642.36 375.69 3393.74 161.01 2846 1074 1074 1153476 0.377372
4 3796 3251.435 2825.083 426.3525 3677.788 182.7225 3554.75 241.25 241.25 58201.56 0.067867
5 3491 3323.305 2974.549 348.7554 3672.06 149.4666 3860.51 -369.51 369.51 136537.6 0.095715
6 3936 3507.113 3134.318 372.7948 3879.908 159.7692 3821.5265 114.4735 114.4735 13104.18 0.029955
7 3855 3611.479 3277.467 334.0126 3945.492 143.1483 4039.6772 -184.677 184.6772 34105.67 0.045716
8 3558 3595.435 3372.857 222.5782 3818.014 95.39066 4088.640095 -530.64 530.6401 281578.9 0.129784
9 3532 3576.405 3433.922 142.4833 3718.888 61.06427 3913.404305 -381.404 381.4043 145469.2 0.097461
10 3159 3451.183 3439.1 12.0833 3463.267 5.178557 3779.95238 -620.952 620.9524 385581.9 0.164275
11 2506 3167.628 3357.659 -190.03 2977.598 -81.4415 3468.445223 -962.445 962.4452 926300.8 0.277486
12 2096 2846.14 3204.203 -358.063 2488.077 -153.456 2896.156646 -800.157 800.1566 640250.7 0.276282
13 3192 2949.898 3127.911 -178.014 2771.884 -76.2915 2334.621145 857.3789 857.3789 735098.5 0.367245
14 2352 2770.529 3020.697 -250.168 2520.36 -107.215 2695.592847 -343.593 343.5928 118056 0.127465
15 2618 2724.77 2931.919 -207.149 2517.621 -88.778 2413.145624 204.8544 204.8544 41965.32 0.084891
16 2953 2793.239 2890.315 -97.0757 2696.163 -41.6039 2428.843379 524.1566 524.1566 274740.2 0.215805
17 3983 3150.167 2968.27 181.8968 3332.064 77.95578 2654.559375 1328.441 1328.441 1764754 0.500437
18 3330 3204.117 3039.024 165.0926 3369.21 70.75399 3410.019869 -80.0199 80.01987 6403.179 0.023466
19 2503 2993.782 3025.452 -31.6697 2962.112 -13.5727 3439.963723 -936.964 936.9637 877901 0.272376
20 2427 2823.747 2964.94 -141.193 2682.554 -60.5113 2948.539476 -521.539 521.5395 272003.4 0.176881
21 3973 3168.523 3026.015 142.5079 3311.031 61.07483 2622.043043 1350.957 1350.957 1825085 0.515231
22 3861 3376.266 3131.091 245.1757 3621.442 105.0753 3372.105916 488.8941 488.8941 239017.4 0.144982
23 3789 3500.086 3241.789 258.2971 3758.383 110.6987 3726.517192 62.48281 62.48281 3904.101 0.016767
24 3676 3552.86 3335.111 217.7498 3770.61 93.32135 3869.08217 -193.082 193.0822 37280.72 0.049904
GRAFIK PERBANDINGAN ANTARA
300 78055 75404.66 73262.4
PERMINTAAN DENGAN PERAMALAN 2142.258 77546.92 918.1106 74601.09611 1036.904 12886.87 10482041 4.353184

4500

4000

3500

3000

2500
PERMINTAAN

2000 PERAMALAN

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Gambar 3.4 Grafik peramalan dengan metode DES Brown dengan = 0.3
 26

Merupakan pola data horizontal dikarenakan nilai peramalannya berfluktuasi di sekitar

nilai rata-rata yang konstan yaitu 3252.291667 (range antara peramalan dengan nilai rata-rata
permintaan tidak terlalu
PERHITUNGAN jauh) danDENGAN
PERAMALAN membentuk garis
METODE horizontal.
DOUBLE EXPONENTIAL SMOOTHING (BROWN)
3.5 METODE DES BROWN DENGAN = 0.5
Tabel 3.5 Peramalan dengan metode DES Brown dengan = 0.5
PERMINTAAN PERAMALAN Abs.E /
PERIODE S't S"t S't-S"t a b ERROR Abs. E E^2
Y(t) Y'(t) Y(t)
1 2417 2417 2417 0 2417 0
2 3132 2774.5 2595.75 178.75 2953.25 178.75 2417 715 715 511225 0.295821
3 3920 3347.25 2971.5 375.75 3723 375.75 3132 788 788 620944 0.251596
4 3796 3571.625 3271.563 300.0625 3871.688 300.0625 4098.75 -302.75 302.75 91657.56 0.073864
5 3491 3531.313 3401.438 129.875 3661.188 129.875 4171.75 -680.75 680.75 463420.6 0.163181
6 3936 3733.656 3567.547 166.1094 3899.766 166.1094 3791.0625 144.9375 144.9375 21006.88 0.038231
7 3855 3794.328 3680.938 113.3906 3907.719 113.3906 4065.875 -210.875 210.875 44468.27 0.051865
8 3558 3676.164 3678.551 -2.38672 3673.777 -2.38672 4021.109375 -463.109 463.1094 214470.3 0.11517
9 3532 3604.082 3641.316 -37.2344 3566.848 -37.2344 3671.390625 -139.391 139.3906 19429.75 0.037967
10 3159 3381.541 3511.429 -129.888 3251.653 -129.888 3529.613281 -370.613 370.6133 137354.2 0.105001
11 2506 2943.771 3227.6 -283.829 2659.941 -283.829 3121.765625 -615.766 615.7656 379167.3 0.197249
12 2096 2519.885 2873.742 -353.857 2166.028 -353.857 2376.112305 -280.112 280.1123 78462.9 0.117887
13 3192 2855.943 2864.843 -8.8999 2847.043 -8.8999 1812.170898 1379.829 1379.829 1903928 0.761423
14 2352 2603.971 2734.407 -130.436 2473.536 -130.436 2838.142822 -486.143 486.1428 236334.8 0.171289
15 2618 2610.986 2672.696 -61.7106 2549.275 -61.7106 2343.100098 274.8999 274.8999 75569.96 0.117323
16 2953 2781.993 2727.345 54.64827 2836.641 54.64827 2487.564392 465.4356 465.4356 216630.3 0.187105
17 3983 3382.496 3054.92 327.5759 3710.072 327.5759 2891.289368 1091.711 1091.711 1191832 0.377586
18 3330 3356.248 3205.584 150.6639 3506.912 150.6639 4037.64827 -707.648 707.6483 500766.1 0.175262
19 2503 2929.624 3067.604 -137.98 2791.644 -137.98 3657.575928 -1154.58 1154.576 1333046 0.315667
20 2427 2678.312 2872.958 -194.646 2483.666 -194.646 2653.66386 -226.664 226.6639 51376.51 0.085415
21 3973 3325.656 3099.307 226.3489 3552.005 226.3489 2289.019878 1683.98 1683.98 2835789 0.735677
22 3861 3593.328 3346.318 247.0105 3840.338 247.0105 3778.353913 82.64609 82.64609 6830.376 0.021874
23 3789 3691.164 3518.741 172.4232 3863.587 172.4232 4087.348944 -298.349 298.3489 89012.09 0.072993
24 3676 3683.582 3601.161 82.42061 3766.003 82.42061 4036.010465 -360.01 360.0105 129607.5 0.0892
GRAFIK PERBANDINGAN ANTARA
300 78055 76788.42 75604.26 1184.161
PERMINTAAN DENGAN PERAMALAN
77972.58 1184.161 75308.31755 329.6825 12923.2 11152329 4.558647
4500

4000

3500

3000

2500
PERMINTAAN

2000 PERAMALAN

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Gambar 3.5 Grafik peramalan dengan metode DES Brown dengan = 0.5
 27

Merupakan pola data horizontal dikarenakan nilai peramalannya berfluktuasi di sekitar

nilai rata-rata yang konstan yaitu 3252.291667 (range antara peramalan dengan nilai rata-rata
permintaan tidak terlalu jauh) dan membentuk garis horizontal.
PERHITUNGAN PERAMALAN DENGAN METODE DES Holt
3.6 METODE MDE HOLT
Tabel 3.6 Peramalan dengan metode MDE Holt dengan = 0.5 & = 0.3

PERMINTAAN PERAMALAN Abs.E /

PERIODE S(t) b(t) ERROR Abs. E E^2
Y(t) Y'(t) Y(t)
1 2417 2417 459.6667
2 3132 2192.267 254.3467 2876.666667 255.3333 255.3333 65195.11111 0.08876
3 3920 2334.336 220.6635 2446.613333 1473.387 1473.387 2170868.27 0.602215
4 3796 2450.138 189.205 2554.999467 1241.001 1241.001 1540082.324 0.485715
5 3491 2506.946 149.486 2639.343061 851.6569 851.6569 725319.5412 0.322678
6 3936 2673.168 154.5068 2656.432428 1279.568 1279.568 1637293.171 0.481686
7 3855 2785.929 141.983 2827.67508 1027.325 1027.325 1055396.492 0.363311
8 3558 2826.757 111.6364 2927.912223 630.0878 630.0878 397010.6063 0.2152
9 3532 2878.496 93.66735 2938.393376 593.6066 593.6066 352368.8241 0.202017
10 3159 2859.663 59.9172 2972.163742 186.8363 186.8363 34907.78722 0.062862
11 2506 2740.997 6.342116 2919.580435 -413.58 413.5804 171048.7761 0.141657
12 2096 2606.924 -35.7824 2747.33895 -651.339 651.339 424242.4284 0.23708
13 3192 2752.565 18.64465 2571.141338 620.8587 620.8587 385465.4777 0.241472
14 2352 2657.536 -15.4574 2771.209622 -419.21 419.2096 175736.7074 0.151273
15 2618 2661.995 -9.48256 2642.078896 -24.0789 24.0789 579.79322 0.009114
16 2953 2727.782 13.09833 2652.51233 300.4877 300.4877 90292.84012 0.113284
17 3983 2968.347 81.33831 2740.880289 1242.12 1242.12 1542861.378 0.453183
18 3330 2975.607 59.11481 3049.685218 280.3148 280.3148 78576.37694 0.091916
19 2503 2833.794 -1.1636 3034.721683 -531.722 531.7217 282727.9476 0.175213
20 2427 2753.366 -24.9429 2832.63005 -405.63 405.6301 164535.7376 0.143199
21 3973 3017.247 61.70433 2728.422925 1244.577 1244.577 1548972.096 0.456153
22 3861 3136.634 79.00918 3078.951269 782.0487 782.0487 611600.2174 0.253998
23 3789 3203.9 75.48618 3215.643263 573.3567 573.3567 328737.9476 0.178302
24 3676 3237.931 63.04964 3279.386106 396.6139 396.6139 157302.5813 0.120942
GRAFIK PERBANDINGAN ANTARA
300 78055PERMINTAAN
66199.33 2206.037
DENGAN 65104.38175
PERAMALAN 10533.62 15424.74 13941122.43 5.59123
4500

4000

3500

3000

2500
PER MINTAAN

2000 PER AM ALAN

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Gambar 3.6 Grafik peramalan dengan metode MDE Holt dengan = 0.5 & = 0.3
 28

Merupakan pola data horizontal dikarenakan nilai peramalannya berfluktuasi di sekitar

nilai rata-rata yang konstan yaitu 3252.291667 (range antara peramalan dengan nilai rata-rata
permintaan tidak terlalu jauh) dan membentuk garis horizontal.
3.7 METODE MOVING AVERAGE (MA)

Gambar 3.7.1 Peramalan dengan metode Moving Average Winqsb dengan N = 2

Gambar 3.7.2 Grafik Peramalan metode Moving Average Winqsb dengan N = 2

 29

Gambar 3.7.3 Peramalan dengan metode Moving Average Winqsb dengan N = 3

Gambar 3.7.4 Grafik Peramalan metode Moving Average Winqsb dengan N = 3

 30

Gambar 3.7.5 Peramalan dengan metode Moving Average Winqsb dengan N = 4

Gambar 3.7.6 Grafik Peramalan metode Moving Average Winqsb dengan N = 4

 31

3.8 METODE DOUBLE EXPONENTIAL SMOOTHING (DES)

Gambar 3.8.1 Tabel peramalan dengan metode DES Winqsb = 0.5

Gambar 3.8.2 Grafik peramalan dengan metode DES Winqsb = 0.5

32
 BAB IV
ANALISIS DATA

4.1 PENGUJIAN KETEPATAN PERAMALAN (ME, MAD, MSE, MAPE)

a. Regresi Linier
Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
=1| |
=

4.5 1013
= = .
24

Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
( )
=

12832.7
= = .
24

Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
2
=

8860949.6
= = .
24

Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
| |

100%
=

4.32563 100%
= = . %
24

b. Regresi Kuadratis
Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
=1| |
=

30
 31

9.1 1012
= = .
24

Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
( )
=

11933
= = .
24

Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
2
=

7993531.544
= = .
24

Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
| |

100%
=

3.6792528 100%
= = . %
24

c. DES Brown = 0.1

Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
=1| |
=

2831.16
= = .
24

Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
( )
=

13837.9
= = .
24
 32

Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
2
=

1.2 107
= = .
24

Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
| |
100%

=

4.51869 100%
= = . %
24

d. DES Brown = 0.3

Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
=1| |
=

1036.9
= = .
24

Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
( )
=

12886.9
= = .
24

Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
2
=

1 107
= = .
24
 33

Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
| |

100%
=

4.35318 100%
= = . %
24

e. DES Brown = 0.5

Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
=1| |
=

329.682
= = .
24

Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
( )
=

12923.2
= = .
24

Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
2
=

1.1 107
= = .
24

Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
| |

100%
=

4.55865 100%
= = . %
24
 34

f. MDE Holt = 0.2 dan = 0.3

Perhitungan Mean Error (ME) dalam metode regresi linier adalah sebagai berikut:
=1| |
=

10533.6
= = .
24

Perhitungan Mean Absolute Deviation (MAD) dalam metode regresi linier adalah
sebagai berikut:
( )
=

15424.7
= = .
24

Perhitungan Mean Square Error (MSE) dalam metode regresi linier adalah sebagai
berikut:
2
=

13941122.43
= = .
24

Perhitungan Mean Absolute Percentage Error (MAPE) dalam metode regresi linier
adalah sebagai berikut:
| |

100%
=

5.59123 100%
= = . %
24

4.2 REKAPITULASI ERROR

Setelah melakukan perhitungan ketepatan peramalan di masing-masing metode,
dilakukan rekapitulasi eror dari setiap perhitungan, dengan tujuan mencari dasar utama
untuk analisa penggunaan metode perhitungan data untuk pengujian selanjutnya
ketepatan peramalan yang akan dilakukan dengan kriteria lainnya. Berikut hasil
rekapitulasi erornya:
 35

AKP Linier AKP Kuadratis DES Brown 0.1 DES Brown 0.3 DES Brown 0.5 MDE Holt MAPE Minimum
ME -1.89478E-14 3.78956E-13 117.9648452 43.20432887 13.73676885 438.9007604
MAD 534.6946981 497.2077918 576.5785883 536.95299 538.4664772 642.6973967
15.33022015
MSE 369206.2316 333063.8143 496530.4994 436751.6927 464680.3952 580880.1013
MAPE 18.0234636 15.33022015 18.82788022 18.13826738 18.99436296 23.29679127
Dari hasil rekapitulasi tersebut dapat ditarik kesimpulan yaitu tingkat kesalahan
peramalan paling minimum dengan menggunakan metode regresi kuadratis dengan nilai
MAPE sebesar 15.33022015.
Penggunaan pengukuran akurasi dengan MAPE dikarenakan tingkat akurasinya paling
baik diantara pengukuran lainnya, karena MAPE membandingkan dengan nilai
permintaan yang sebenarnya.

4.3 STATISTIC U-THEIL

Dari rekapitulasi eror yang hasilnya telah diperoleh di atas, data dari permintaan dan
peramalan untuk metode regresi kuadratis dapat digunakan sebagai landasan utama
dalam pengujian peramalan dengan metode ini. Berikut adalah perhitungannya:
PERMINTAAN PERAMALAN
PERIODE PEMBILANG PENYEBUT
Y(t) Y'(t)
1 2417 3617.466538
2 3132 3520.482659 0.0258339 0.087510221
3 3920 3432.393717 0.024237905 0.063300761
4 3796 3353.199713 0.012759794 0.001000625
5 3491 3282.900646 0.003005308 0.006455758
6 3936 3221.496517 0.041889869 0.016248764
7 3855 3168.987326 0.030377645 0.000423506
8 3558 3125.373072 0.012594425 0.005935593
9 3532 3090.653756 0.015386753 5.33992E-05
10 3159 3064.829378 0.000710869 0.011152604
11 2506 3047.899938 0.029426523 0.042729431
12 2096 3039.865435 0.141859371 0.026767362
13 3192 3040.72587 0.005208909 0.273425208
14 2352 3050.481242 0.047883262 0.069252078
15 2618 3069.131552 0.036790168 0.012790533
16 2953 3096.6768 0.003011855 0.016373832
17 3983 3133.116985 0.082830714 0.121659928
18 3330 3178.452109 0.001447702 0.026878545
19 2503 3232.682169 0.048015229 0.061676902
20 2427 3295.807168 0.120482811 0.000921946
21 3973 3367.827104 0.062175514 0.405769525
22 3861 3448.741978 0.010767158 0.000794692
23 3789 3538.551789 0.004207618 0.000347749
24 3676 3637.256538 0.000104556 0.000889422
300 78055 78055 0.761007857 1.252358384

Tabel 4.1 Pengujian Statistic U-Theil

 36

Dari perhitungan data di atas dapat diperoleh nilai U sebagai berikut:

+1 +1 2
1 ( )
=1
=
+1 +1 2
1 ( )
=1

0.761007857
= = .
1.252358384

Dengan nilai U sebesar 0.779525375 dapat diasumsikan teknik peramalan formal yang
digunakan lebih baik dibandingkan dengan pendekatan naif dengan syarat nilai U < 1.

4.4 MOVING RANGE

Sama seperti halnya pengujian statistic U-Theil, data untuk permintaan dan peramalan
dengan metode Moving Range diambil dari data dengan metode regresi kuadratis. Berikut
gambaran perhitungannya:
PERMINTAAN PERAMALAN
PERIODE ERROR MR MR Rata-Rata A+ A- B+ B- BKA BKB
Y(t) Y'(t)
1 2417 3617.466538 -1200.466538
2 3132 3520.482659 -388.4826589 811.9838796 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
3 3920 3432.393717 487.6062831 876.0889419 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
4 3796 3353.199713 442.8002873 44.80599574 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
5 3491 3282.900646 208.0993539 234.7009334 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
6 3936 3221.496517 714.5034828 506.4041289 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
7 3855 3168.987326 686.0126741 28.49080876 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
8 3558 3125.373072 432.6269276 253.3857464 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
9 3532 3090.653756 441.3462435 8.719315901 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
10 3159 3064.829378 94.17062177 347.1756218 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
11 2506 3047.899938 -541.8999377 636.0705594 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
12 2096 3039.865435 -943.8654348 401.9654971 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
495.7456654
13 3192 3040.72587 151.2741304 1095.139565 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
14 2352 3050.481242 -698.481242 849.7553725 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
15 2618 3069.131552 -451.1315521 247.3496899 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
16 2953 3096.6768 -143.6767999 307.4547522 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
17 3983 3133.116985 849.8830146 993.5598145 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
18 3330 3178.452109 151.5478915 698.3351231 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
19 2503 3232.682169 -729.6821694 881.2300608 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
20 2427 3295.807168 -868.8071678 139.1249985 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
21 3973 3367.827104 605.172896 1473.980064 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
22 3861 3448.741978 412.2580222 192.9148738 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
23 3789 3538.551789 250.4482107 161.8098115 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
24 3676 3637.256538 38.74346154 211.7047492 877.469828 -877.469828 441.2136 -441.214 1318.683 -1318.6835
300 78055 78055 9.09495E-12 11402.1503 495.7456654 20181.806 -20181.806 10147.91 -10147.9 30329.72 -30329.72

Tabel 4.2 Pengujian Moving Range

 37

1500

1000

ERROR
500
A+
A-
0 B+
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
B-
BKA
-500
BKB

-1000

-1500

Gambar 4.1 Grafik pengujian peramalan dengan Moving Range

Dari grafik tersebut dapat ditarik kesimpulan merupakan pola verifikasi peramalan
berdasar nilai error pada metode peramalan, dimana nilai error pada peramalan tidak
melewati nilai batas kendali atas dan nilai batas kendali bawah, sehingga metode
peramalan ini sudah cukup baik.

4.5 TRACKING SIGNAL

Sama seperti halnya pula pengujian statistic U-Theil, data untuk permintaan dan
peramalan dengan metode Tracking Signal diambil pula dari data dengan metode regresi
kuadratis. Berikut gambaran grafik dan perhitungannya:

PERMINTAAN PERAMALAN
PERIODE ERROR RSFE Abs. E Cumm. E MAD Tracking Signal 4MAD (-4MAD) 8MAD (-8MAD)
Y(t) Y'(t)
1 2417 3617.466538 -1200.466538 -1200.466538 1200.466538 1200.467 1200.4665 -1 4 -4 8 -8
2 3132 3520.482659 -388.4826589 -1588.949197 388.4826589 1588.949 794.4746 -2 4 -4 8 -8
3 3920 3432.393717 487.6062831 -1101.342914 487.6062831 2076.555 692.18516 -1.591110266 4 -4 8 -8
4 3796 3353.199713 442.8002873 -658.5426269 442.8002873 2519.356 629.83894 -1.045573055 4 -4 8 -8
5 3491 3282.900646 208.0993539 -450.443273 208.0993539 2727.455 545.49102 -0.825757442 4 -4 8 -8
6 3936 3221.496517 714.5034828 264.0602098 714.5034828 3441.959 573.65977 0.460308052 4 -4 8 -8
7 3855 3168.987326 686.0126741 950.0728839 686.0126741 4127.971 589.71018 1.611084414 4 -4 8 -8
8 3558 3125.373072 432.6269276 1382.699811 432.6269276 4560.598 570.07478 2.425470956 4 -4 8 -8
9 3532 3090.653756 441.3462435 1824.046055 441.3462435 5001.944 555.77161 3.28200656 4 -4 8 -8
10 3159 3064.829378 94.17062177 1918.216677 94.17062177 5096.115 509.61151 3.764076458 4 -4 8 -8
 38

11 2506 3047.899938 -541.8999377 1376.316739 541.8999377 5638.015 512.54682 2.685250768 4 -4 8 -8

12 2096 3039.865435 -943.8654348 432.4513043 943.8654348 6581.88 548.49004 0.788439671 4 -4 8 -8
13 3192 3040.72587 151.2741304 583.7254348 151.2741304 6733.155 517.93497 1.127024572 4 -4 8 -8
14 2352 3050.481242 -698.481242 -114.7558072 698.481242 7431.636 530.83113 -0.216181382 4 -4 8 -8
15 2618 3069.131552 -451.1315521 -565.8873594 451.1315521 7882.767 525.51782 -1.076818583 4 -4 8 -8
16 2953 3096.6768 -143.6767999 -709.5641593 143.6767999 8026.444 501.65276 -1.414452815 4 -4 8 -8
17 3983 3133.116985 849.8830146 140.3188553 849.8830146 8876.327 522.13689 0.268739591 4 -4 8 -8
18 3330 3178.452109 151.5478915 291.8667467 151.5478915 9027.875 501.54862 0.581931119 4 -4 8 -8
19 2503 3232.682169 -729.6821694 -437.8154226 729.6821694 9757.557 513.55564 -0.852517984 4 -4 8 -8
20 2427 3295.807168 -868.8071678 -1306.62259 868.8071678 10626.36 531.31822 -2.459209076 4 -4 8 -8
21 3973 3367.827104 605.172896 -701.4496944 605.172896 11231.54 534.83511 -1.311525144 4 -4 8 -8
22 3861 3448.741978 412.2580222 -289.1916722 412.2580222 11643.8 529.26342 -0.546404038 4 -4 8 -8
23 3789 3538.551789 250.4482107 -38.74346154 250.4482107 11894.24 517.14102 -0.074918561 4 -4 8 -8
24 3676 3637.256538 38.74346154 9.09495E-12 38.74346154 11932.99 497.20779 1.8292E-14 4 -4 8 -8
300 78055 78055 9.09495E-12 9.95897E-11 11932.987 159626 13945.264 2.579863812 96 -96 192 -192
Tabel 4.3 Pengujian tracking signal

10

TRACKING SIGNAL
2
4 MAD
0 -4 MAD
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
8 MAD
-2
-8 MAD

-4

-6

-8

-10

Gambar 4.2 Grafik pengujian peramalan dengan Trcking Signal

Dari grafik tersebut dapat ditarik kesimpulan merupakan pola verifikasi peramalan yang
menyatakan bahwa peramalan tersebut sudah baik, terlihat dari nilai Tracking Signal yang tidak
jauh dari nilai 0 (baik positif maupun negatif).
 BAB V
PENUTUP

5.1 KESIMPULAN
?????????????????????????????????

5.2 SARAN
????????????????????????????????????

39
 DAFTAR PUSTAKA

?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????
?????????????????????????????????????????

40
41