Jika melihat data diatas yang akan digunakan dalam forecasting yaitu data historis, maka
forecasting dilakukan dengan metode berikut:
- Moving average
- Weighted moving average
- Exponential smoothing
- Trend projection
1. Moving Average
Forecasting dengan menggunakan moving average dan variasi n adalah 3,4, dan 5.
4. Trend projection
Tahun Bulan Ton Forecast Error |Error| Squared Error RSFE ∑|Error| MAD Track Signal
2015 Desember 309373 316880.8 -7507.8 7507.8 56367411.2
2016 Januari 413417 318325.0 95092.0 95092.0 9042495024.0 95092.0 95092.0 95092.0 1.0
Februari 328125 319769.1 8355.9 8355.9 69820936.4 103447.9 103447.9 36985.3 2.8
Maret 304890 321213.2 -16323.2 16323.2 266448485.8 87124.7 119771.2 31819.8 2.7
April 322367 322657.4 -290.4 290.4 84327.5 86834.3 120061.6 25513.9 3.4
Mei 326229 324101.5 2127.5 2127.5 4526110.7 88961.8 122189.0 21616.1 4.1
Juni 299728 325545.7 -25817.7 25817.7 666552413.5 63144.1 148006.7 22216.4 2.8
Juli 216389 326989.8 -110600.8 110600.8 12232541064.1 -47456.7 258607.5 33264.4 -1.4
Agustus 339013 328434.0 10579.0 10579.0 111916072.0 -36877.7 269186.6 30743.8 -1.2
September 364478 329878.1 34599.9 34599.9 1197152879.4 -2277.8 303786.5 31129.4 -0.1
Oktober 297273 331322.2 -34049.2 34049.2 1159351090.0 -36327.1 337835.7 31394.9 -1.2
November 364234 332766.4 31467.6 31467.6 990210652.4 -4859.4 369303.3 31400.9 -0.2
Desember 336059 334210.5 1848.5 1848.5 3416843.5 -3011.0 371151.8 29127.7 -0.1
2017 Januari 307523 335654.7 -28131.7 28131.7 791390946.7 -31142.6 399283.5 29056.5 -1.1
Februari 358819 337098.8 21720.2 21720.2 471766489.9 -9422.5 421003.7 28567.4 -0.3
Maret 384803 338543.0 46260.0 46260.0 2139991676.2 36837.6 467263.7 29673.2 1.2
April 375451 339987.1 35463.9 35463.9 1257688336.8 72301.5 502727.6 30013.8 2.4
Mei 303534 341431.2 -37897.2 37897.2 1436200821.6 34404.3 540624.8 30451.8 1.1
Juni 262382 342875.4 -80493.4 80493.4 6479184620.5 -46089.1 621118.2 33085.6 -1.4
Juli 322320 344319.5 -21999.5 21999.5 483979084.3 -68088.7 643117.7 32531.3 -2.1
Agustus 355741 345763.7 9977.3 9977.3 99547177.6 -58111.3 653095.1 31457.3 -1.8
September 333625 347207.8 -13582.8 13582.8 184492699.9 -71694.1 666677.9 30644.8 -2.3
Oktober 340236 348652.0 -8416.0 8416.0 70828233.9 -80110.1 675093.8 29678.3 -2.7
November 437714 350096.1 87617.9 87617.9 7676897568.6 7507.8 762711.7 32092.5 0.2
Forecasting digunakan untuk memperkirakan berapa banyak barang yang akan dimuat.
Dengan forecasting yang tepat, pihak pelabuhan dapat mempersiapkan peralatan
bongkar muat maupun tenaga-tenaga bantuan yang diperlukan ataupun persiapan-
persiapan lainnya dan sebaliknya mengurangi hal-hal tersebut hal ini dilakukan terkait
biaya operassional. Selain itu, jika pertumbuhan kebutuhan akan jasa pelabuhan
mengalami peningkatan tiap bulannya, maka dapat menjadi pertimbangan untuk
meningkatkan kapasitas pelabuhan tersebut.
Forecasting selalu bergerak artinya metode forecasting yang digunakan dapat berubah
mengikuti kejadian yang sesungguhnya. Kapan harus mengganti metode forecasting
yang digunakan dapat menggunakan parameter tracking signal. Menurut ahli kontrol
inventori George Plossl dan Oliver Wight, merekomendasikan menggunakan ±4 MAD
untuk barang dengan jumlah yang banyak dan ±8 MAD untuk barang dengan jumlah
yang sedikit.
Untuk forecasting diatas yang menggunakan data 2 tahun terakhir sebagai data historis
yang akan diramal, maka forecasting yang paling sesuai adalah weighted moving
average dengan n=4, w1=0.08, w2=0.15, w3=0.23, dan w4=0.54 yang dapat dilihat pada
tabel 6 diatas. Dengan parameter tracking signal yang tidak pernah melebihi ±4 MAD,
serta dengan membandingkan dengan metode lainnya (metode lainnya dengan
tracking signal yang tidak melebihi ±4 MAD) akan menghasilkan nilai MAD dan MSE
yang paling kecil yang berarti distribusi eror datanya paling ideal (paling rendah deviasi
erornya). Mean square error dan mean absolute deviation merupakan parameter yang
digunakan untuk mengukur akurasi dari peramalan dengan nilai eror sebagai
komponennya berarti semakin kecil nilai MSE dan MAD suatu metode terhadap metode
lainnya berarti erornya semakin kecil, dimana eror adalah jarak forecasting terhadap
nilai sesungguhnya.
400000
y = 1444.1x + 315437
R² = 0.0487
300000
200000
100000
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 25