Modul V

Praktikum Perancangan Teknik Industri 2013 / Modul 5 – Peramalan Permintaan 1
MODUL V
PERAMALAN PERMINTAAN
1. DESKRIPSI MODUL
Modul ini membahas tentang peramalan perencanaan produksi dengan menggunakan data
aktual sebelum tahun perhitungan. Oleh karena itu, peramalan hanya diperlukan dalam sistem
manufaktur make to stock. Peramalan kebutuhan yang akan datang dihitung dengan
menggunakan metode-metode peramalan yang sesuai, dan dari metode-metode tersebut dipilih
yang memberikan hasil terbaik. Langkah terpenting dalam menggunakan metode peramalan
adalah kegiatan verifikasi model peramalan yang digunakan. Hasil peramalan digunakan
sebagai bahan pertimbangan dalam menentukan jumlah produksi pada kurun waktu tertentu
di masa yang akan datang, yang selanjutnya digunakan untuk kegiatan perencanaan produksi
Gambar.1 dibawah ini menunjukan posisi modul ini dalam siklus manufaktur.
Data Modul 3
Antropometri Workspace
Deskripsi
Awal
Design
Jenis & Jumlah
Produk Mesin
Gambar Stasiun
Kerja (mesin)
Assembly Chart
Modul 2
Modul 1 Spesifikasi Teknis &
Gambar Teknik Perencanaan
Penelitian Pasar Flow process chart Modul 4
Proses
Time Study
Bill of Materials
Data Inventory
Penjualan Master Waktu Baku & OPC/
Masa Lalu File Precedence Graph
Modul 6
Modul 5 Modul 7
Perencanan & Kapasitas Produksi
Peramalan Hasil Peramalan
& Rencana Produksi Line Balancing &
Pengendalian
Produksi Penjadwalan
Produksi
Jadwal Produksi
Gambar 1. Posisi Modul Peramalan Dalam Siklus Manufaktur
2. Tujuan Praktikum
a. Mampu memahami manfaat dan posisi peramalan dalam sistem industri.
b. Mampu memahami definisi tentang beberapa hal yang berkaitan dengan metode
peramalan.
Laboratorium Optimasi Sistem Industri & Kualitas

c. Memberikan pemahaman mengenai beberapa metode dan teknik peramalan.

d. Mampu memahami dan menggunakan metode peramalan secara manual maupun
dengan bantuan program MINITAB dari beberapa contoh kasus.
e. Melatih mahasiswa untuk menentukan metode peramalan yang tepat untuk memprediksi
kebutuhan yang diperlukan dalam proses produksi.
3. INPUT DAN OUTPUT KEGIATAN PRAKTIKUM

3.1 Input
Untuk dapat melakukan praktikum ini diperlukan inputan (Data) yaitu:
1. Data aktual hasil penjualan sebelum tahun perhitungan
Data diatas digunakan untuk menghitung peramalan yang akan dilakukan untuk beberapa
periode ke depan dengan menggunakan metode-metode peramalan yang sesuai,dan dari
metode-metode tersebut dipilih yang memberikan hasil terbaik. Sehingga dari hasil peramalan
tersebut dapat digunakan sebagai bahan pertimbangan dalam menentukan jumlah produksi
pada kurun waktu tertentu di masa yang akan datang, yang selanjutnya digunakan untuk
kegiatan perencanaan produksi.
Ilustrasi input dan output dalam praktikum ini dapat dilihat pada Gambar 2 dibawah ini.
Data Aktual Hasil

PERAMALAN
Hasil Peramalan 1
Penjualan Sebelum PERMINTAAN Tahun ke Depan
Tahun Perhitungan
PRODUKSI
Gambar 2. Input & Output Modul Peramalan Produksi
Dari Gambar 2. terlihat bahwa pada peramalan diperlukan data aktual sebelum tahun
perhitungan sebagai acuan sebelum melakukan peramalan. Oleh karena itu, peramalan hanya
diperlukan dalam sistem manufaktur make to stock. Kemudian data aktual tersebut dilihat pola
datanya yang kemudian dilakukan pemilihan metode yang seusai dengan pola data,
selanjutnya data tersebut dihitung menggunakan metode-metode permalan yang sesuai
sehingga diperoleh hasil peramalan terbaik. Kemudian Hasil peramalan digunakan sebagai
bahan pertimbangan dalam menentukan jumlah produksi pada kurun waktu tertentu di masa
yang akan datang.

3.2 Output
Seperti tujuan praktikum di atas, bahwa pada peramalan akan menghasilkan output
berupa:
1. Hasil data peramalan untuk 1 tahun ke depan
Output yang dihasilkan ini merupakan pemilihan berdasarkan kriteria error terkecil
dari metode yang digunakan, metode tersebut yang nantinya akan digunakan untuk
meramalkan data permintaan untuk 1 tahun ke depan.
4. LANDASAN TEORI
4.1 Pendahuluan
Peramalan merupakan aktivitas pertama dalam menentukan jadwal produksi adalah suatu
perkiraan tingkat permintaan yang diharapkan untuk suatu produk atau beberapa produk dalam
periode waktu tertentu di masa yang akan datang. Peramalan merupakan tingkat permintaan
produk-produk yang diharapkan akan terealisir untuk jangka waktu tertentu pada masa yang
akan datang. Peramalan adalah suatu input yang sangat penting dalam perencanaan dan
pengambilan keputusan. Karena bagian operasional produksi bertanggung jawab terhadap
pembuatan produk yang dibutuhkan oleh konsumen, maka keputusan-keputusan operasi
produksi sangat dipengaruhi hasil dari peramalan. Peramalan ini digunakan untuk meramalkan
permintaan dari produk yang bersifat bebas (tidak tergantung), seperti peramalan produk jadi.
Ide dasar yang mendasari setiap metode peramalan adalah penggunaan data-data masa
lalu untuk memprediksikan nilai-nilai dimasa yang akan datang. Ada dua pengkategorian
metode peramalan:
Berdasarkan Sifatnya :
Secara garis besar untuk kategori berdasarkan sifatnya, permalan terbagi ke dalam dua
kategori utama, yaitu : Metode kualitatif dan metode kuantitatif. Taksonomi peramalan dapat
dilihat seperti pada gambar 3.

Gambar 3. Klasifikasi Metode Peramalan
1. Metode kualitatif
Metode kualitatif ini dugunakan apabila data masa lalu tidak tersedia atau
walaupun tersedia namun jumlahnya tidak mencukupi. Teknik kualitatif
mengkombinasikan informasi dengan pengalaman, penilaian, dan intuisi untuk
menghasilkan pola-pla yang mungkin dapat diterapkan dalam memprediksi masa
yang akan datang.
Peramalan metode kualitatif paling sesuai diterapkan dalam dua kondisi berikut :
o Tidak terdapat atau kurangnya data kuantitatif yang berkualitas. Misalnya,
dalam peramalan bagi produk atau pasar baru
o Terdapat data kuantitatif yang cukup, tetapi terdapat faktor-faktor tertentu
yang menyebabkan teknik kualitattif lebih sesuai untuk diterapkan. Misalnya,
meskipun terdapat data yang cukup mengenai kondisi historis ekonomi di
Indonesia, kondisi-kondisi non ekonomi (politik dan lain sebagainya) sangat
mempengaruhi keadaan dimasa depan.
2. Metode kuantitatif
Dalam metode ini, pola historis data digunakan untuk mengekploras
(meramalkan) masa datang. Terdapat dua teknik kuantitatif utama analisis deret

waktu (time series analysis) dan model structural (structural model) atau model
kausal.
Peramalan dengan menggunakan metode kuantitatif dapat diterapkan apabila
terdapat 3 kondisi yaitu :
1. Tersedia informasi masa lalu
2. Informasi tersebut dapat dikuantifikasikan dalam bentuk numerik
3. Diasumsikan pola data masa lalu akan berulang di masa mendatang
Dengan kata lain, jika asumsi tersebut tidak dipenuhi maka kemungkinan besar
hasil ramalan menjadi tidak akurat.
Berdasarkan Jangkauan (Horison) Waktu :

Berdasarkan jangkauan waktunya peramalan dibagi lagi kedalam tiga kategori, yaitu :
1. Peramalan jangka pendek
Permalan jangka pendek ini memberikan hasil peramalan dalam jangka waktu 1 tahun
atau kurang, peramalan jangka pendek ini biasanya memberikan hasil yang paling
akurat.
2. Peramalan jangka menengah
Permalan jangka menengah digunakan untuk meramalkan kondisi dalam jangka waktu
1 sampai dengan 5 tahun ke depan.
3. Peramalan jangka panjang
Permalan jangka panjang digunakan untuk meramalkan kondisi jangka panjang (lebih
dari lima tahun ke depan). Hasil peramalan ini biasanya digunakan untuk bahan dalam
pengambilan keputusan yang berkaitan dengan perencanaan pasar, studi kelayakan,
perencanaan kapasitas, dan lain-lain.
Langkah-langkah proses peramalan :

1. Kumpulkan data masa lalu dan bagi menjadi 2 yaitu data training dan data testing.
2. Buat plot data masa lalu baik data training dan data testing.
3. Memilih model peramalan dengan memilih 2 atau lebih metode yang memenuhi tujuan
peramalan dan sesuai dengan plot data training.
4. Menghitung parameter-parameter fungsi peramalan contoh (a, b, α).
5. Menghitung error dengan ukuran error yang ditentukan.
6. Membandingkan hasil ramalan yang diperoleh dari data training dengan data testing
dan diukur nilai error yang paling kecil menggunakan MAPE, MSE, dll.
7. Memilih satu metode peramalan dengan error terkecil.

8. Melakukan peramalan permintaan agregat n periode ke depan menggunakan metode
peramalan yang terbaik dengan melibatkan seluruh data.
4.2 Deret Waktu (Time Series)

Deret waktu (time series) adalah sebuah kumpulan observasi yang dibuat secara
sekuensial dalam waktu. Contoh time series antara lain statistik inflasi, jumlah penduduk
suatu daerah, jumlah permintaan produksi, dan lain-lain.
Pola data time series dikelompokkan menjadi empat komponen yaitu :
a. Trend/Kecenderungan (T)
Trend merupakan sifat dari permintaan masa lalu terhadap waktu kejadian,
permintaan cenderung naik, turun, konstan.
b. Season/Musiman (S)
Fluktuasi permintaan produk dapat naik atau turun di sekitar garis trend dan biasanya
berulang setiap tahun (misalnya kuartalan, bulanan, mingguan, dll). Pola musiman
dapat dilihat bila pada plot data terkadang naik dan terkadang turun dalam jangka
waktu atau periode tertentu. Panjang periode musiman dapat dilihat dari jarak periode
antar puncak atau antar lembah pada plot time series.
c. Cycle/Siklus
Permintaan suatu produk dapat memiliki siklus yang berulang secara periodic
biasanya lebih dari satu tahun. Datanya dipengaruhi oleh fluktuasi ekonomi jangka
panjang seperti yang berhubungan dengan siklus bisnis.
d. Random/Variasi acak/Stationer (R)
Permintaan suatu produk dapat mengikuti pola bervariasi secara acak/stationer. Nilai
data berfluktuasi di sekitar nilai rata-rata yang konstan. Data yang stationer
mempunyai rata-rata (mean) dan varians yang konstan dari waktu ke waktu. Untuk
dapat menentukan apakah suatu data time series stationer atau tidak, dapat dilihat dari
plot. Bila data tidak menunjukkan adanya kenaikan atau penurunan dari waktu ke waktu
maka data telah stationer.
Kaitan antara pola data time series dengan metode time series :

Gambar 4. Kaitan Antara Pola Data Time Series dengan Metode Time Series
Metode –Metode Deret Waktu

Langkah pertama dalam setiap analisis deret waktu adalah melakukan plot data.
Selanjutnya dapat digunakan salah satu dari beberapa metode dibawah ini:
A. Model Naïve
Naïve Model merupakan metode paling sederhana yang digunakan untuk peramalan.
i) Pola Data Stasioner
Naïve 1 adalah model yang paling sederhana untuk data yang stasioner dirumuskan :
(7)
ii) Pola Data yang Mengandung Trend
Naïve 2 adalah model yang paling sederhana untuk data yang mengandung trend
dirumuskan :
(8)
iii)Pola Data Musiman atau Gabungan Musiman dan Trend
Naïve 3 adalah model yang paling sederhana untuk data yang mengandung pola
musiman atau gabungan musiman dan trend dirumuskan sebagai berikut :
(9)

B. Model Dekomposisi klasik

Metode ini dapat diaplikasikan pada deret dengan semua jenis variasi. Tujuannya adalah
untuk mengidentifikasi dan mengisolasi variasi sehingga peramalan dapat dibuat dengan
jalan mensubsitusikan variasi sehingga peramalan dapat dibuat dengan jalan
mensubtitusikan variasi tersebut dalam sebuah persamaan.
Terdapat dua versi model :
o Multiplikatif
Metode ini mengkombinasikan komponen dalam bentuk :
Y=TxCxSxI (10)
o Aditif
Metode ini mengkombinasikan komponen dalam bentuk :
Y=T+C+S+I (11)
Pemilihan model dibuat dengan jalan mem-plot data. Jika besaran (magnitude) dari variasi
meningkat, model adalah multiplikatif. Tidak ada perbedaan yang substansial antara kedua
jenis model tersebut.
C. Model Average (Rata-rata)

Terdiri dari :
i) Simple Average (SA)
Metode ini menggunakan nilai rata-rata semua data time series untuk meramalkan masa
mendatang. Metode ini digunakan untuk data yang stationer, yaitu dirumuskan sebagai
berikut :
(12)
ii) Moving Average (MA)

Metode ini menggunakan nilai rata-rata sejumlah data time series (di masa lalu) untuk
meramalkan masa mendatang. Metode ini digunakan untuk data yang stationer, yaitu
dirumuskan sebagai berikut :
(13)
iii)Double Moving Average (DMA)

Setelah sejumlah moving average dihitung, maka dihitung lagi sejumlah moving
average yang kedua. Hasil moving average yang kedua akan digunakan untuk
melakukan peramalan. Metode ini digunakan untuk data yang mengandung trend linier.
Peramalan dilakukan melalui beberapa tahap yaitu :

(14)
(15)
(16)
(17)
Peramalan dilakukan menggunakan model berikut ini :

(18)
D. Model-model Eksponential Smoothing

Pada metode pemulusan eksponensial, pada dasarnya data masa lalu dimuluskan dengan
cara melakukan pembobotan menurun secara eksponensial terhadap nilai pengamatan yang
lebih tua. Atau nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding nilai
pengamatan yang lebih lama. Nilai α digunakan untuk menghaluskan perbedaan permintaan
dari periode ke periode. Jadi bila selisih jumlah permintaan dari periode satu ke periode yang
lain semakin besar, maka nilai alpha yang dipilih mendekati 1.
i) Single Exponential Smoothing (SES)
Model ini biasa juga disebut model eksponensial sederhana. Model ini digunakan untuk
memodelkan data dengan pola stasioner. Model ini ditulis secara matematis sebagai
berikut :
dengan (19)
ii) Double Exponential Smoothing (DES) atau Holt Method
Model eksponensial sederhana ganda biasa disebut juga model Holt atau metode Brown.
Model ini digunakan untuk memodelkan data yang mengandung pola trend. Metode
Double Exponential Smoothing memberikan pembobotan pada observasi masa lalu
secara berganda. Pada dasarnya, Double Exponential Smoothing tetap menggunakan
pembobotan model Single Exponential Smoothing namun terdapat penambahan
pembobot untuk mengestimasi adanya trend pada data. Tahapan yang harus dilakukan
adalah sebagai berikut :
1. Pemulusan Secara Eksponensial (Taksiran Level)
dengan (20)
2. Taksiran Trend
dengan (21)

3. Peramalan untuk p Periode ke Depan

(22)
Nilai At menyatakan estimasi besarnya (level) nilai ramalan pada waktu t, nilai Tt
menyatakan nilai slope pada waktu t. Nilai pembobotan α dan γ dapat ditentukan oleh
user, namun dalam beberapa software telah dilakukan optimisasinya.
iii)Model Winter atau Triple Eksponensial Smoothing
Model Holt-Winters digunakan untuk memodelkan data dengan pola musiman, baik
mengandung trend maupun tidak. Winter’s Method memberikan tiga pembobotan dalam
prediksinya, yaitu α, γ dan δ yang bernilai antara 0 dan 1. Pembobotan α memberikan
pembobotan pada nilai ramalan, γ memberikan pembobotan pada efek trend, dan δ
memberikan pembobotan pada efek musiman.
E. Regresi Time Series
1. Model Regresi untuk Linier Trend

(23)
2. Model Regresi untuk Data Seasonal (variasi konstan)
(24)
Dengan : adalah dummy waktu dalam satu periode seasonal.
3. Model Regresi untuk Data dengan Linier Trend dan Seasonal (variasi konstan)
(25)
→ gabungan model 1 dan 2
F. Model ARIMA Box Jenkins

Model ARIMA (Autoregressive-Integreated-Moving Average) pertama kali
dikembangkan oleh George Box dan Gwilym Jenkins pada tahun 1976, untuk itu pemodelan
ARIMA sering juga disebut Box-Jenkins models. Seperti halnya pada metode analisis
sebelumnya, model ARIMA dapat digunakan untuk analisis data deret waktu dan peramalan
data. Pada model ARIMA diperlukan penetapan karakteristik data deret berkala seperti :
stasioner, musiman dan sebagainya, yang memerlukan suatu pendekatan sistematis, dan
akhirnya akan menolong untuk mendapatkan gambaran yang jelas mengenai model-model
dasar yang akan ditangani. Hal utama yang mencirikan dari model ARIMA dalam rangka
analisis data deret waktu dibandingkan metode pemulusan adalah perlunya pemeriksaan

keacakan data dengan melihat koefisien autokorelasinya. Model ARIMA juga bisa digunakan
untuk mengatasi masalah sifat keacakan, trend, musiman bahkan sifat siklis data data deret
waktu yang dianalisis.
Ada empat pemodelan mewakili ARIMA yaitu :
a) Model Autoregressive (AR(p))
Model Autoregressive (AR) menunjukkan nilai prediksi variabel dependen Zt hanya
merupakan fungsi linier dari sejumlah Zt aktual sebelumnya. Sebagai contoh, nilai
variabel dependen Zt hanya dipengaruhi oleh nilai variabel tersebut satu periode
sebelumnya maka model tersebut disebut dengan model autoregresif tingkat pertama
atau disingkat AR(1). Sehingga bentuk model AR(1) dapat dinyatakan dalam
persamaan sebagai berikut (Wei, 1994).
(26)
(27)
Secara umum model AR(p) adalah (Cryer, 1986) :
(28)
Dengan :
Z = variabel dependen
Zt-1, Zt-p = kelambanan (lag) dari Z
at = residual (kesalahan pengganggu)
p = tingkat AR (orde dari AR)
b) Model Moving Average (MA(q))
Model Moving Average (MA) menunjukkan bahwa nilai prediksi variabel dependen
Zt hanya dipengaruhi oleh nilai residual pada periode sebelumnya. Sebagai contoh, nilai
variabel dependen Zt hanya dipengaruhi oleh nilai residual pada satu periode
sebelumnya maka disebut dengan model MA tingkat pertama atau disingkat dengan
model MA(1).
Sehingga bentuk model MA(1) dapat ditulis sebagai berikut (Wei, 1994).
t (29)
t-1 (30)
Secara umum bentuk model MA(q) adalah (Cryer, 1986) :
(31)
Dengan :

at = residual
at-1, at-p = kelambanan (lag) dari residual
q = tingkat MA (orde MA)
c) Model Autoregressive Moving Average (ARMA(p,q))

Seringkali perilaku data time series dapat dijelaskan dengan baik melalui
penggabungan antara model AR dan model MA. Model gabungan ini disebut
Autoregressive Moving Average (ARMA). Misalnya nilai variabel dependen Zt
dipengaruhi oleh nilai variabel tersebut satu periode sebelumnya dan nilai residual
pada satu periode sebelumnya maka modelnya disebut dengan model ARMA(1,1).
Model ARMA(1,1) dapat ditulis dalam bentuk persamaan sebagai berikut (Wei, 1994).
(32)
(33)
Secara umum model ARMA(p,q) dapat ditulis dalam bentuk :

(34)
d) Model Autoregressive Integrated Moving Average (ARIMA(p,d,q))

Asumsi dasar yang digunakan dalam pembahasan proses time series model AR, MA,
ARMA, dan ARIMA adalah proses yang stasioner baik dalam mean maupun varians.
Jika data belum stasioner dalam varians maka dilakukan transformasi. Transformasi
yang digunakan adalah Box-Cox (Wei, 1994). Namun bila data belum stasioner dalam
mean maka dilakukan proses differencing. Proses differencing merupakan suatu proses
mencari perbedaan antara data satu periode dengan periode yang lainnya secara
berurutan. Secara umum bentuk ARIMA (p,d,q) adalah :
(35)
Dengan :
(36)
(37)

4.3 Prosedur Box Jenkins

Prosedur Box Jenkins adalah suatu prosedur standar yang biasanya digunakan dalam
analisis time series dengan model ARIMA, untuk mendapatkan model time series terbaik dari
suatu data dengan mempertimbangkan prinsip parsimony, menyatakan model yang lebih
ekonomis yang melibatkan lebih sedikit parameter lebih disenangi daripada model dengan
parameter yang banyak. Prosedur Box Jenkins ada empat tahap, yaitu : identifikasi, estimasi,
dan uji diagnostik (verifikasi), peramalan.
Gambar 5. Diagram Alir dari Metodologi Box Jenkins

a. Tahap Identifikasi
Tahap identifikasi dilakukan dengan mengamati kestasioneran data dapat dilihat secara
visual melalui plot time series, pola estimasi fungsi autokorelasi (ACF), pola fungsi
autokorelasi parsial (PACF). Data stasioner jika plot time series cenderung membentuk
trend sejajar dengan sumbu horizontal dengan fluktuasi yang relatif konstan. Menurut
Wei (1994) data time series tidak stasioner jika nilai autokorelasi mulai lag 1 pada plot
ACF turun dengan lamban dan nilai autokorelasi parsial pada plot PACF cut off setelah
lag 1. Tabel 1 memperlihatkan karakteristik ACF dan PACF yang bisa digunakan untuk
mengidentifikasi dugaan model yang sesuai.

Tabel 1 Karakteristik ACF dan PACF

Model ACF PACF
AR(p) Dies down Cut of after lag p
MA(q) Cut of after lag p Dies down
ARMA (p,q) Dies down after lag (q-p) Dies down after lag (p-q)
White Noise Semua 0 = pk Semua 0 = φkk
Keterangan :
Dies down : turun cepat secara eksponensial (sinusoida)
Cut of after lag p : terputus setelah lag p
Gambar 6. Penjelasan Keterangan Tabel 1
b. Tahap Estimasi Parameter

Setelah dilakukan identifikasi model sementara dan telah diketahui p dan q, tahap
selanjutnya adalah mengestimasi parameter-parameter model. Secara umum
penaksiran parameter model ARIMA dengan menggunakan beberapa metode yaitu
metode Moment, metode Least Squares, dan metode Maximum Likelihood.
c. Tahap Pemeriksaan Diagnostik

Pemeriksaan diagnostik dapat dibagi dalam dua bagian yaitu uji signifikasi parameter
dan uji kesesuaian.
i)Uji Signifikasi Parameter
Model ARIMA yang baik adalah model yang menunjukkan bahwa taksiran

parameternya signifikan berbeda dengan nol. Misalkan adalah suatu parameter

pada model, hipotesisnya adalah
H0 :
H1 :
Statistik uji : (38)
Daerah penolakan : tolak H0 jika >t ; df = n − np, np = banyaknya parameter atau
dengan menggunakan nilai-p (p-value), yakni tolak H0 jika p-value < α.
ii) Uji Kesesuaian Model

Pengujian terhadap residual untuk mengetahui ketepatan model tersebut.
Pemeriksaan residual terbagi menjadi 2 yaitu pemeriksaan white noise dan
kenormalan residual. Suatu model bersifat white noise artinya residual dari model
tersebut telah memenuhi asumsi identik (variasi residual homogen) serta independen
(antar residual tidak berkorelasi). Pengujian asumsi white noise dilakukan dengan
menggunakan uji Ljung-Box. Hipotesis :
H0 :
H1 : minimal ada satu
Statatistik uji : Q*
(39)
Statistik Q* dianggap berdistribusi χ2 sehingga perumusan untuk perhitungan white

noise adalah (Wei, 1994).
d. Tahap Peramalan
Tahap peramalan bisa dilakukan jika seluruh parameter model signifikan dan seluruh
asumsi residualnya terpenuhi.
4.4 Uji Kesalahan Peramalan

Setiap metode peramalan mempunyai error
e i  Yi  Ŷi (40)
Dengan
Yi : data aktual/pengamatan pada periode ke-i
Ŷi : ramalan pada periode ke- i

ei : kesalahan pada periode ke-i

n : banyak data
Untuk menentukan metode peramalan yang terpilih dipilih yang error (kesalahan
peramalan) terkecil. Ada beberapa uji kesalahan peramalan yaitu :
1. ME (Mean Error)
Adalah rata-rata kesalahan
(41)
2. SSE (Sum Square Error)

Adalah kuadrat kesalahan
(42)
3. MSE/MSD (Mean Squared Error)

Adalah rata-rata kuadrat kesalahan (residual atau error).
(43)
4. SDE (Standard Deviation Of Error)

Adalah deviasi standar kesalahan
(44)
5. MAD (Mean Absolute Deviation)

Adalah ukuran kesalahan peramalan unit ukuran yang sama dengan data aslinya.
(45)
6. PE (Percentage Error)
Adalah presentase kesalahan
(46)
7. MAPE (Mean Absolute Percentage Error)

Adalah persentase kesalahan absolut rata-rata.
(47)
Dengan
Yi : pengamatan pada waktu i
: ramalan pada waktu i

8. MPE (Mean Percentage Error)

Adalah persentase kesalahan rata-rata.
(48)
9. TS (Tracking Signal)
Tracking signal merupakan alat yang penting dalam memonitor sistem peramalan
jangka pendek . Tracking signal dikembangkan oleh Trigg dan mengindikasikan
kegagalan suatu sistem peramalan yang disebabkan oleh perubahan pada pola
yang mendasarinya. Dengan drajat kepercayaan statistis tertentu. Tracking Signal
ini didasarkan pada error peramalan.
(49)
4.5 Pemilihan Model Terbaik

Pemilihan model terbaik dapat dilakukan berdasarkan kriteria in sampel (data training)
yang meliputi : Mean Square Error (MSE), Akaike’s Information Criterion (AIC) dan
Schwatz’s Bayessian Criterion (SBC). Berdasarkan kriteria out sampel (data testing),
pemilihan model dapat dilakukan dengan memperhatikan nilai Mean Absolute Percentage
Error (MAPE) merupakan salah satu ukuran ketepatan peramalan yang berkaitan dengan
galat persentase (Makridakis, 1998). Model terbaik dipilih yang nilai kriteria kecil.
(50)
Dengan :
Xi : pengamatan pada waktu i
Fi : ramalan pada waktu i
n : banyak data testing
selain itu juga dapat menggunakan tracking signal yang merupakan ketepatan peramalan yang
melihat pada pembagi kumulatif error dari peramalan dengan nilai MAD. Hasil dari tracking
signal yaitu berupa perbandingan dengan melihat bahwa nilainya berada pada suatu batasan
yang berupa batas atas dan batas bawah. Dimana biasanya diberikan batasan dari ±3 sampai
dengan ±8. Pengambilan keputusan diterimanya suatu metode tersebut merupakan metode
yang dipilih jika suatu nilai error berada dalam batasan tersebut.
(51)

Dengan
Yi : pengamatan pada waktu i
: ramalan pada waktu i
MAD : Mean Absolute Deviation
5. Alat dan Bahan Praktikum

Pada praktikum ini dilakukan proses peramalan dengan menggunakan software
Minitab 16.0 dan Microsoft Office Excel. Model-model peramalan time series yang digunakan
antara lain :
1. Naive Model
2. Simple Average
3. Moving Average
4. Single Exponential Smoothing
5. ARIMA
6. Prosedur Praktikum
A. Naïve Model
Langkah-langkah yang dilakukan :
1. Masukkan data dalam minitab
2. Plot data time series
Stat > time series plot >simple ok
3. Hitung sesuai rumus Naïve 1, Naïve 2 dan Naïve 3 dan hitung nilai error dengan Excel
4. Validasi dengan membandingkan plot data dengan plot model naïve
5. Hitung nilai MSE dengan Excel dan pilih yang terkecil
6. Buat peramalan
Studi kasus 1
Suatu perusahaan ABC ingin meramalkan penjualan suatu produk yang datanya dalam
kuartalan. Dengan data sebagai berikut :
1. Entry Data


Pilih Series Sales Time/scale ok
Time Calendar Quarter Year
3. Hitung sesuai rumus Naïve 1 (Y1_hat), Naïve 2 (Y2_hat) dan Naïve 3 (Y3_hat) dan error

4. Validasi dengan membandingkan plot data dengan plot model naïve. Pilih yang paling
sesuai dengan plot data sales.

5. Hitung nilai MSE dengan menggunakan Excel
Dipilih model naïve 3 dengan MSE =7612,5

6. Peramalan pada kuartal 1,2,3,4 tahun 2005 diperoleh 850, 600, 450 dan 700.
B. Model Average
Prosedur praktikum Moving Average :
3. Pilih Stat > time series > moving average ok
4. Pilih Variable, masukkan data time series. In MA length, enter angka yang sesuai.
5. Check Generate forecasts, and enter 4 in Number of forecasts. Click OK.
Studi kasus 2
Gunakan data studi kasus 1 dan bandingkan nilai MSE atau MSD nya
1. Dengan plot time series yang sama dengan kasus 1 maka langsung ke langkah 3
2. Pilih Stat > time series > moving average ok
3. Pilih Variable, masukkan data time series. In MA length, enter 4

4. Check Generate forecasts, and enter 4 in Number of forecasts. Click OK.
5. Diperoleh hasilnya

Dari model moving average diperoleh MSE 21478,6 dan Peramalan pada kuartal 1,2,3,4
tahun 2005 diperoleh dengan nilai yang sama yaitu 650.
C. Model–model Eksponensial
Dalam minitab ada 3 model yaitu single eksponensial smoothing, double eksponensial
smoothing dan winters.
i) Prosedur praktikum SES

3. Stat > time series plot >simple ok
4. Pilih Stat > time series > single eksponensial smoothing
5. Pilih Variable, masukkan data time series. In Weight you smoothing, enter angka
alpha yang sesuai. Check Generate forecasts, and enter 4 in Number of forecasts.
Click OK

Studi kasus 3 (Gunakan data studi kasus 1)
ii) Prosedur Praktikum DES

3. Pilih Stat > time series > Double Eksp smoothing.

4. Pilih Variable, masukkan data time series. In pilih alpha dan gamma enter angka
yang sesuai.
5. Buat ramalannya
Studi kasus 4 (Gunakan data studi kasus 1)

Pilih Variable, masukkan sales. In pilih alpha = 0.3 dan gamma = 0.1
Klik Ok dan diperoleh hasilnya seperti ini :

iii) Prosedur Praktikum Winters

Stat > time series plot > simple ok
3. Pilih Stat > time series > Winters Method
4. Pilih Variable, masukkan data time series. In seasonal length, enter angka yang
sesuai. Tentukan nilai alpha, gamma dan delta.
Check Generate forecasts, and enter 4 in Number of forecasts. Click OK

D. Model-model Time Series

Ada model Regresi untuk Linier Trend, model Regresi untuk data Seasonal (variasi
konstan), model Regresi untuk data dengan Linier Trend dan Seasonal (variasi konstan).
i) Prosedur Praktikum Model Regresi untuk Linier Trend
Stat > time series plot >simple
3. Pilih Stat > time series > trend analysis.
Pilih Model Type sesuai plot data time series
4. Forecasting

Studi kasus 5 (Gunakan data pada kasus 1)
ii) Prosedur Model Regresi untuk Data Seasonal (variasi konstan)

3. Analisis ada seasonal? jika ada sampai berapa?
4. Buat dummy variabel sesuai jumlah seasonal
5. Pilih Stat > regression< regression
6. Forecasting
Studi kasus 6 (Gunakan data pada kasus 1)

Dari plot ada seasonal 4 sesuai kuartal. Dibuat dummy variable
Stat > regression< regression

Respon : sales
Prediktor : kuartal 1 sd 4
The regression equation is
Sales = 610 + 71.3 kuartal1 - 147 kuartal2 - 247 kuartal3
Predictor Coef SECoef T P

Constant 610.00 53.75 11.35 0.000
kuartal1 71.25 76.01 0.94 0.367
kuartal2 -147.50 76.01 -1.94 0.076
kuartal3 -247.50 76.01 -3.26 0.007
S = 107.498 R-Sq = 64.1% R-Sq(adj) = 55.1%
Analysis of Variance
Source DF SS MS F P
Regression 3 247542 82514 7.14 0.005
Residual Error 12 138669 11556
Total 15 386211
Source DF Seq SS
kuartal1 1 123526
kuartal2 1 1504
kuartal3 1 122512

iii) Prosedur Model Regresi untuk Data dengan Linier Trend dan Seasonal (variasi
konstan)
Analisis ada trend dan seasonal ? jika ada sampai berapa
3. Buat dummy variabel sesuai jumlah seasonal
4. Pilih Stat > regression< regression
5. Forecasting
The regression equation is

Sales = 413 + 19.7 t + 130 kuartal1 - 108 kuartal2 - 228 kuartal3
Predictor Coef SE Coef T P

Constant 412.81 26.99 15.30 0.000
t 19.719 2.012 9.80 0.000
kuartal1 130.41 26.15 4.99 0.000
kuartal2 -108.06 25.76 -4.19 0.001
kuartal3 -227.78 25.52 -8.92 0.000
S = 35.9841 R-Sq = 96.3% R-Sq(adj) = 95.0%
Analysis of Variance
Source DF SS MS F P
Regression 4 371967 92992 71.82 0.000
Residual Error 11 14243 1295
Total 15 386211

Analisa : Dari data yang ada bila dibuat plot time series menunjukkan adanya pola trend
dan seasonal dan dari pemilihan model yang baik memang menunjukkan model yang
terbaik adalah winters model dan regresi dengan trend dan seasonal.
Kriteria kesalahan ramalan
Model
MSE MAD MAPE
Winter’s Method 4372.69 52.29 9.67
Regresi Trend & 11556
Seasonal
E. Model ARIMA
Prosedur Praktikum ARIMA
1. Tahap identifikasi
a) Menggambar/plot data
Pilih menu Stat > Time series > time series plot
Lihat pola datanya apakah sudah stationer atau belum
b) Menggambar ACF dan PACF
Pilih menu Stat > Time series > Autocorerrelation (untuk menggambar ACF) dan
pilih > Partial Autocorerrelation (untuk menggambar PACF). Setelah itu muncul
tampilan seperti di bawah ini :

Klik data yang akan dicari pada kotak series klik store ACF, store t statistic dan
Ljung Box.
2. Tahap Estimasi parameter dan pemeriksaan diagnostik
Langkah-langkahnya
a) Pilih menu Stat > Time series > ARIMA.
Setelah itu muncul tampilan seperti di bawah ini
b) Klik data yang akan diramal kemudian isi kolom autoregressive, difference dan
moving average sesuai model yang cocok. Misal model yang cocok AR (1) maka
isi kolom autoregressive dengan 1 yang lainnya 0.

c) Pilih Graph pilih ACF for residuals fungsinya untuk mendeteksi proses whitenoise
pada residual klik Ok
d) Klik kotak Forcasts maka akan muncul tampilan sebagai berikut
3. Tahap peramalan
Jika akan meramalkan 5 ke depan periode maka isi lead dengan angka 5 dan isi origin
untuk data 5 periode sebelumnya, jika diisi dengan angka 65 artinya akan meramalkan
data dari 65 sampai 75. Abaikan yang lain klik ok

Studi kasus 7
Data jumlah barang tertentu yang terjual per hari disuatu supermarket yang diamati
mulai periode Maret sampai Juni 2010 (110 hari), terdapat 100 data in sampel, yang
dibuat model dan 10 data out sampel untuk validasi.
Data in sampel
1008 1026 1036 984 1019
1015 1015 1049 992 1014
1006 1019 1039 967 1014
1017 1034 1040 966 1018
1015 1033 1019 970 998
1006 1021 1007 982 996
1013 1017 1008 995 994
1009 1008 1020 981 983
1011 1009 1022 990 994
1009 984 1023 1003 992
995 964 1031 1005 997
1024 964 1011 1016 990
1008 976 1019 1028 993
999 985 1009 1003 988
997 997 1005 993 1004
999 1008 1012 995 995
1004 999 1017 1003 995
1001 1003 1000 1003 1011
1003 1024 997 1013 991
1018 1029 983 1020 994
Data out sampel

991 1010
999 1016
995 1017
996 1029
1002 1036

1. Menggambar/plot data
Pilih menu Stat > Time series > time series plot
Lihat pola datanya apakah sudah stationer atau belum
(a)
(b)
Gambar 5 Plot data in sampel (a) dan data out sampel (b)
Pola yang terjadi adalah stasioner.

2. Menggambar ACF dan PACF
Pilih menu Stat > Time series > Autocorerrelation (untuk menggambar ACF) dan
pilih > Partial Autocorerrelation (untuk menggambar PACF).

Autocorrelation Function: penjualan

Lag ACF T LBQ
1 0.794599 7.95 65.05
2 0.617238 4.10 104.71
3 0.471629 2.71 128.10
4 0.286020 1.54 136.79
5 0.153650 0.81 139.32
6 0.016496 0.09 139.35
7 -0.093885 -0.49 140.32
8 -0.160515 -0.83 143.18
9 -0.237627 -1.23 149.50
10 -0.294575 -1.50 159.34
11 -0.256342 -1.28 166.87
12 -0.236943 -1.16 173.38
13 -0.198734 -0.96 178.01
14 -0.125915 -0.60 179.89
15 -0.091112 -0.43 180.88
16 -0.089039 -0.42 181.85
17 -0.094879 -0.45 182.95
18 -0.134745 -0.64 185.21
19 -0.164512 -0.78 188.62
20 -0.162432 -0.76 191.98
21 -0.151605 -0.71 194.95
22 -0.085545 -0.40 195.91
23 -0.062547 -0.29 196.43
24 -0.046048 -0.21 196.71
25 -0.022154 -0.10 196.78
Plot ACF menunjukkan korelasi pada lag 1, 2, dan 3 melewati garis merah. Garis
merah adalah selang kepercayaan yang merupakan batas signifikan autokorelasi.
Berdasarkan diagram ACF dapat dikatakan bentuk ACF turun secara eksponensial.

Partial Autocorrelation Function: penjualan

Lag PACF T
1 0.794599 7.95
2 -0.038387 -0.38
3 -0.019434 -0.19
4 -0.199851 -2.00
5 0.002079 0.02
6 -0.134982 -1.35
7 -0.034338 -0.34
8 -0.027074 -0.27
9 -0.103400 -1.03
10 -0.076066 -0.76
11 0.150969 1.51
12 -0.061913 -0.62
13 0.019754 0.20
14 0.034193 0.34
15 -0.047514 -0.48
16 -0.144361 -1.44
17 -0.051322 -0.51
18 -0.121423 -1.21
19 -0.063143 -0.63
20 0.028791 0.29
21 0.058204 0.58
22 0.106625 1.07
23 -0.080739 -0.81
24 0.007396 0.07
25 -0.069271 -0.69
Dari Plot PACF menunjukkan hanya pada lag 1 keluar dari garis merah.
Berdasarkan ACF dan PACF menujukkan data telah stasioner.
Identifikasi awal dengan melihat plot data, nilai sampel ACF dan PACF nya
mengindikasikan bahwa data penjualan ini mengikuti model ARIMA(1,0,0) atau
AR(1), karena bentuk ACF yang turun secara eksponensial dan PACF yang
terputus setelah di lag 1.

3. Tahap estimasi parameter dan pemeriksaan diagnostik

ARIMA Model: penjualan
Estimates at each iteration
Iteration SSE Parameters

0 24200.4 0.100 904.662
1 18907.5 0.250 753.866
2 14888.4 0.400 603.070
3 12143.1 0.550 452.277
4 10671.5 0.700 301.488
5 10398.7 0.793 207.706
6 10397.9 0.798 202.921
7 10397.9 0.798 202.678
Relative change in each estimate less than 0.0010
Final Estimates of Parameters
Type Coef SE Coef T P

AR 1 0.7983 0.0612 13.04 0.000
Constant 202.678 1.030 196.72 0.000
Mean 1004.78 5.11
Number of observations: 100

Residuals: SS = 10395.5 (backforecasts excluded)
MS = 106.1 DF = 98
Menunjukkan taksiran parameter model AR(1) tersebut signifikan berbeda dari nol
dengan tingkat kepercayaan 95%. Hal ini dapat dilihat dari t hitung atau nilai p =
0,00 < α = 0,05.
Setelah dilakukan pengujian kesignifikan parameter langkah selanjutnya adalah
uji kesesuaian model yang meliputi kecukupan model (uji apakah residualnya white
noise) dan uji asumsi distribusi normal.
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 11.8 19.2 31.3 39.7
DF 10 22 34 46
P-Value 0.296 0.634 0.600 0.732
Terlihat bahwa dengan Statistik uji Ljung Box, pada lag 12 p-value adalah 0,296,
lag 24 p-value = 0,634 dan seterusnya. Nilai p tersebut lebih besar dari α = 0,05.
Artinya bahwa residual telah memenuhi syarat white noise (tidak ada korelasi
antara residual pada lag t dengan residual pada lag 12, lag 24 dan seterusnya).

Berdasarkan uji Kolmogorov Smirnov diperoleh nilai p > 0,15 yang lebih besar dari
nilai α = 0,05 sehingga dapat disimpulkan bahwa residual memenuhi asumsi
berdistribusi normal. Karena semua parameter dalam model signifikan dan
residualnya telah memenuhi syarat white noise dan berdistribusi normal maka
model dugaan awal sesuai. Secara matematis model ARIMA (1,0,0) dapat
dituliskan dalam bentuk matematis adalah Zt = 202,679 + 0,7983 Zt-1 + at dengan
MSE = 106,1.
4. Tahap peramalan dilakukan karena seluruh parameter model signifikan dan seluruh
asumsi residualnya terpenuhi. Hasil ramalan in sample dan out sample dapat dilihat
pada Gambar 6.
(a) (b)
Gambar 6. Plot Ramalan Out Sample (a) Dan In Sample (b)

Pemilihan model terbaik yaitu ARIMA (1,0,0) dapat dilakukan berdasarkan criteria
in sampel (data training) dengan Mean Square Error (MSE) = 106,1 dan
Berdasarkan kriteria out sampel (data testing), pemilihan model dapat dilakukan
dengan memperhatikan nilai Mean Absolute Percentage Error (MAPE) yang kecil,
diperoleh :
Dalam penelitian ini akan dilakukan prediksi penjualan pada hari ke-111 sampai
115, hasil prediksi menggunakan ARIMA (1,0,0). Berdasarkan Tabel 4 ditunjukkan
pertumbuhan nominal penjualan mengalami peningkatan.
Tabel 2 Output Minitab Prediksi Penjualan

95% Limits
Hari Prediksi Penjualan
Batas Bawah Batas Atas
111 1030,56 1010,83 1050,29
112 1026,13 1000,69 1051,58
113 1022,53 993,91 1051,15
114 1019,59 989,04 1050,13
115 1017,19 985,44 1048,95

7. TUGAS PENDAHULUAN
Tugas Pendahuluan 1
1. Jelaskan definisi peramalan!
2. Mengapa perlu adanya peramalan!
3. Sebutkan dan jelaskan kategori peramalan!
4. Sebutkan dan jelaskan pola data di peramalan dan sebutkan metode yang dapat dipakai
pada pola data tersebut, kemudian berikan contohnya masing-masing 1 contoh kasus
untuk setiap pola datanya!
5. Sebutkan dan tuliskan rumus untuk uji kesalahan pada peramalan!
6. Sebutkan langkah-langkah atau tahapan dalam melakukan peramalan!
Tugas Pendahuluan 2
1. Jelaskan definisi ARIMA ?
2. Jelaskan perbedaan AR, MA, ARMA dan ARIMA?
3. Sebutkan dan jelaskan tahapan pada prosedur Box Jenkins!
Tugas Pendahuluan 3
1. Kerjakan data pada tabel dibawah ini dengan menggunakan Tracking Signal! Dengan
batasan -3 s/d +3, kemudian lakukan analisa.
Data
Periode hasil peramalan
Penjualan
1 5752 5736
2 5740 5748
3 5737 5741
4 5740 5737
5 5735 5739
6 5749 5735
7 5734 5746
8 5737 5736
9 5740 5736
10 5747 5739
11 5741 5745
12 5747 5741
Ket: Pengerjaan untuk setiap data ditambahkan 2 digit dari NPM.
2. Tugas Kelompok: cari jurnal tentang peramalan untuk tahun 2011 – 2013.

8. DAFTAR PUSTAKA
Aswi dan Sukarna. 2006. Analisis Deret Waktu. Makassar :Andira Publisher.
Box, G.E.P., Jenkins, G.M., dan Reissel, G.C. 1994. Time Series Analysis Forecasting and
Control, 3rd Edition. Englewood Cliffs: Prentice Hall.
Makridakis, Wheelwright, Gee Mc. 1988. Metode dan Aplikasi Peramalan, Jilid 1. Jakarta :
Erlangga.
Makridakis, Wheelwright, Gee Mc. 1999. Metode dan Aplikasi Peramalan, Edisi kedua.
Jakarta : Bina Rupa Aksara.
Wei, W.W.S. 1994. Time Series Univariate and Multivariate Methods. Canada: Addison
Wesley Publishing Company, Inc.

Data Praktikum
1008 1026 1036 984 1019

Periode Sales1 Sales2 Sales3
1015 1015 1049 992 1014
1 550 756 598 1006 1019 1039 967 1014
2 350 757 597 1017 1034 1040 966 1018
3 250 758 597 1015 1033 1019 970 998
4 540 758 597 1006 1021 1007 982 996
5 575 758 597 1013 1017 1008 995 994
6 400 757 598 1009 1008 1020 981 983
7 350 759 597 1011 1009 1022 990 994
8 550 758 597 1009 984 1023 1003 992
9 750 758 597 995 964 1031 1005 997
10 500 758 598 1024 964 1011 1016 990
11 400 759 597 1008 976 1019 1028 993
12 650 761 598 999 985 1009 1003 988
13 850 763 997 997 1005 993 1004
14 600 763 999 1008 1012 995 995
15 450 765 1004 999 1017 1003 995
16 700 764 1001 1003 1000 1003 1011
17 765 1003 1024 997 1013 991
18 765 1018 1029 983 1020 994

Modul V

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul V

Diunggah oleh

Hak Cipta:

Format Tersedia

Praktikum Perancangan Teknik Industri 2013 / Modul 5 – Peramalan Permintaan 1

Gambar 1. Posisi Modul Peramalan Dalam Siklus Manufaktur

Laboratorium Optimasi Sistem Industri & Kualitas

c. Memberikan pemahaman mengenai beberapa metode dan teknik peramalan.

3. INPUT DAN OUTPUT KEGIATAN PRAKTIKUM

Data Aktual Hasil

Laboratorium Optimasi Sistem Industri & Kualitas

Laboratorium Optimasi Sistem Industri & Kualitas

Gambar 3. Klasifikasi Metode Peramalan

Laboratorium Optimasi Sistem Industri & Kualitas

Berdasarkan Jangkauan (Horison) Waktu :

Langkah-langkah proses peramalan :

7. Memilih satu metode peramalan dengan error terkecil.

4.2 Deret Waktu (Time Series)

Laboratorium Optimasi Sistem Industri & Kualitas

Metode –Metode Deret Waktu

Laboratorium Optimasi Sistem Industri & Kualitas

B. Model Dekomposisi klasik

C. Model Average (Rata-rata)

ii) Moving Average (MA)

iii)Double Moving Average (DMA)

Laboratorium Optimasi Sistem Industri & Kualitas

Peramalan dilakukan menggunakan model berikut ini :

D. Model-model Eksponential Smoothing

Laboratorium Optimasi Sistem Industri & Kualitas

3. Peramalan untuk p Periode ke Depan

E. Regresi Time Series

1. Model Regresi untuk Linier Trend

F. Model ARIMA Box Jenkins

Laboratorium Optimasi Sistem Industri & Kualitas

Laboratorium Optimasi Sistem Industri & Kualitas

c) Model Autoregressive Moving Average (ARMA(p,q))

Secara umum model ARMA(p,q) dapat ditulis dalam bentuk :

d) Model Autoregressive Integrated Moving Average (ARIMA(p,d,q))

Laboratorium Optimasi Sistem Industri & Kualitas

4.3 Prosedur Box Jenkins

Gambar 5. Diagram Alir dari Metodologi Box Jenkins

Laboratorium Optimasi Sistem Industri & Kualitas

Tabel 1 Karakteristik ACF dan PACF

Gambar 6. Penjelasan Keterangan Tabel 1

b. Tahap Estimasi Parameter

c. Tahap Pemeriksaan Diagnostik

Laboratorium Optimasi Sistem Industri & Kualitas

parameternya signifikan berbeda dengan nol. Misalkan adalah suatu parameter

Statistik uji : (38)

Daerah penolakan : tolak H0 jika >t ; df = n − np, np = banyaknya parameter atau

dengan menggunakan nilai-p (p-value), yakni tolak H0 jika p-value < α.

ii) Uji Kesesuaian Model

Statistik Q* dianggap berdistribusi χ2 sehingga perumusan untuk perhitungan white

4.4 Uji Kesalahan Peramalan

Laboratorium Optimasi Sistem Industri & Kualitas

ei : kesalahan pada periode ke-i

2. SSE (Sum Square Error)

3. MSE/MSD (Mean Squared Error)

4. SDE (Standard Deviation Of Error)

5. MAD (Mean Absolute Deviation)

7. MAPE (Mean Absolute Percentage Error)

Laboratorium Optimasi Sistem Industri & Kualitas

8. MPE (Mean Percentage Error)

4.5 Pemilihan Model Terbaik

Laboratorium Optimasi Sistem Industri & Kualitas

5. Alat dan Bahan Praktikum

Laboratorium Optimasi Sistem Industri & Kualitas