PERAMALAN DATA

LAPORAN PRAKTIKUM
PERANCANGAN TERINTEGRASI INDUSTRI II
Dosen Pembimbing
Pepy Anggela, ST, MT
KELOMPOK 2
MODUL V PERAMALAN
1. Syarif Hidayat D1061161017
2. Clara Clarita Fenyvian D1061161029
3. Adelia Tamala D1061161032
4. Rommel Andryandoro Sirait D1061161046
PROGRAM STUDI TEKNIK INDUSTRI

JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS TANJUNGPURA
2018
Praktikum Perancangan Terintegrasi Industri II
Modul 5 Forecasting
Kelompok 2
DAFTAR ISI
DAFTAR ISI .......................................................................................................... ii

DAFTAR TABEL ................................................................................................ iv
DAFTAR GAMBAR ............................................................................................. v
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang .......................................................................................... 1
1.2 Tujuan Praktikum...................................................................................... 2
1.3 Perumusan dan Pembatasan Masalah ....................................................... 2
1.3.1 Perumusan Masalah .......................................................................... 2
1.3.2 Pembatasan Masalah ......................................................................... 3
1.4 Metodologi Praktikum .............................................................................. 4
1.4.1 Flowchart Praktikum ........................................................................ 4
1.4.2 Penjelasan Flowchart Praktikum ...................................................... 5
1.5 Sistematika Penulisan ............................................................................... 6
BAB II TINJAUAN PUSTAKA........................................................................... 8
2.1 Definisi Peramalan (forecasting) .............................................................. 8
2.2 Tahapan Peramalan ................................................................................... 9
2.3 Fungsi Peramalan ...................................................................................... 9
2.4 Macam Peramalan ................................................................................... 10
2.5 Pola Data untuk Time Series ................................................................... 13
2.6 Metode Deret Waktu (Time Series) ........................................................ 15
2.7 Model-model Kausal ............................................................................... 25
2.8 Pemilihan dan Evaluasi Metode-metode Peramalan............................... 25
2.9 Uji Kesalahan Peramalan (Uji Verifikasi) .............................................. 27
2.10 Uji Validasi ............................................................................................. 36
BAB III PENGOLAHAN DATA DAN PEMBAHASAN ................................ 38
3.1 Pengumpulan Data Historis Sebelum Konversi dan Sesudah Konversi . 38
3.2 Pengolahan Data .................................................................................... 39
3.2.1 Potting Data ..................................................................................... 39
3.2.2 Peramalan dengan Beberapa Metode .............................................. 40
3.2.3 Rekapitulasi Nilai Error dan Verifikasi Data .................................. 75
Program Studi Teknik Industri ii

Universitas Tanjungpura
Modul 5 Forecasting
Kelompok 2
3.2.4 Validasi Metode .............................................................................. 76

3.2.5 Hasil Peramalan yang Digunakan 12 Periode Kedepan dengan
Menggunakan Metode Terpilih ..................................................................... 80
BAB IV ANALISIS ............................................................................................. 81
4.1 Analisis Semua Metode Ramalan ........................................................... 81
4.1.1 Analisa Metode Simple Average ..................................................... 81
4.1.2 Analisa Metode Single Moving Average ......................................... 82
4.1.3 Analisa Metode Centered Moving Average .................................... 83
4.1.4 Analisa Metode Weighted Moving Average .................................... 84
4.1.5 Analisa Metode Single Exponential Smoothing .............................. 85
4.1.6 Analisa Metode Doublen Exponential Smoothing .......................... 86
4.1.7 Analisa Metode Linier Regresi ....................................................... 86
4.2 Analisis Verifikasi .................................................................................. 89
4.3 Analisis Metode Terpilih ........................................................................ 90
4.4 Analisis Validasi ..................................................................................... 90
BAB V KESIMPULAN DAN SARAN .............................................................. 92
5.1 Kesimpulan ............................................................................................. 92
5.2 Saran ....................................................................................................... 93
DAFTAR PUSTAKA
Program Studi Teknik Industri iii

Modul 5 Forecasting
Kelompok 2
DAFTAR TABEL
Tabel 2.1 Contoh Metode Simple Average ........................................................... 17
Tabel 2.2 Perhitungan Metode Single Moving Average........................................ 18
Tabel 2.3 Contoh Metode Weighted Moving Average .......................................... 19
Tabel 2.4 Perhitungan Metode Centered Moving Average ................................... 20
Tabel 2.5 Perhitungan Metode Single Exponential Smoothing............................. 21
Tabel 2.6 Contoh Metode Double Eksponential Smoothing ................................. 23
Tabel 2.6 Contoh Metode Regresi Linier .............................................................. 24
Tabel 3.1 Data Historis Sebelum Konversi ........................................................... 38
Tabel 3.2 Data Historis Sesudah Konversi ........................................................... 39
Tabel 3.3 Metode Simple Average ........................................................................ 43
Tabel 3.4 Metode Single Moving Average ........................................................... 48
Tabel 3.5 Metode Weighted Moving Average ....................................................... 53
Tabel 3.6 Metode Centered Moving Average ....................................................... 57
Tabel 3.7 Metode Single Exponential Smoothing ................................................. 62
Tabel 3.8 Metode Double Exponential Smoothing ............................................... 68
Tabel 3.9 Metode Linier Regresi .......................................................................... 73
Tabel 3.10 Rekapitulasi Nilai Error ..................................................................... 75
Tabel 3.11 Validasi menggunakan Moving Range ............................................... 77
Tabel 3.12 Peramalan 12 Periode ke Depan dari Metode Terpilih ....................... 80
Program Studi Teknik Industri iv

Modul 5 Forecasting
Kelompok 2
DAFTAR GAMBAR
Gambar 1.1 Flowchart Praktikum........................................................................... 4
Gambar 2.1 Contoh Pola Data Horizontal ............................................................ 14
Gambar 2.2 Contoh Pola Data Trend Naik ........................................................... 15
Gambar 2.3 Contoh Pola Data Musiman .............................................................. 15
Gambar 2.4 Contoh Pola Data Siklis .................................................................... 15
Gambar 3.1 Plotting Data ...................................................................................... 40
Gambar 3.2 Grafik Metode Simple Average ......................................................... 45
Gambar 3.3 Grafik Metode Single Moving Average ............................................. 50
Gambar 3.4 Grafik Metode Weighted Moving Average........................................ 55
Gambar 3.5 Grafik Metode Centered Moving Average ........................................ 59
Gambar 3.6 Grafik Metode Single Exponential Smoothing .................................. 63
Gambar 3.7 Grafik Metode Double Exponential Smoothing................................ 70
Gambar 3.8 Grafik Metode Linier Regresi ........................................................... 75
Gambar 3.9 Grafik Moving Range ........................................................................ 79
Program Studi Teknik Industri v

Modul 5 Forecasting
Kelompok 2
BAB I
PENDAHULUAN
1.1 Latar Belakang
PT. ROLEX merupakan perusahaan yang bergerak dibidang otomotif,
yaitu memproduksi mobil mainan Tamiya XS. Perusahaan PT. ROLEX
berdiri pada tahun 2013 yang dikepalai seorang direktur. Perusahaan PT.
ROLEX ini akan bersaing dengan perusahaan-perusahaan yang memproduksi
mobil mainan lainnya, sehingga PT. ROLEX harus memiliki strategi yang
efektif dan efesien agar perusahaan dapat memenangkan persaingan antara
perusahaan yang memproduksi mobil mainan lainnya. Perusahaan PT.
ROLEX harus mampu menanggulangi persaingan di pasar. Salah satu cara
yang harus dilakukan PT. ROLEX adalah melakukan perancangan produksi
dan harus memilih metode-metode yang tepat agar sesuai dengan kebutuhan
pasar guna untuk meningkatkan mutu dan kualitas.
Usaha yang harus dilakukan oleh PT. ROLEX dalam memproduksi
mobil mainan Tamiya XS adalah melakukan forecesting atau peramalan agar
dapat mengetahui kebutuhan pasar di masa yang akan mendatang. Proses
forecesting yang dilakukan, yaitu berdasarkan pada prediksi terhadap jumlah
permintaan konsumen dari sebuah produk yang akan di produksi, hal tersebut
dilakukan agar dapat memenuhi target produksi. Penentuan terhadap target
produksi sangat penting bagi suatu perusahaan agar dapat memperkirakan
kebutuhan pasar dimasa yang akan mendatang yang ingin dicapai dengan
tetap memperhatikan kualitas produk agar memenuhi kepuasan konsumen.
Proses peramalan akan meminimalisir terjadinya kekurangan atau
kelebihan inventori (penyimpanan) yang akan mengakibatkan kerugian bagi
perusahaan. Perusahaan melakukan forecesting untuk membuat penjadwalan
produksi agar dapat mengatur tingkat produktivitas yang akan dilakukan
dalam jangka waktu tertentu dengan menggunakan 7 metode, yaitu metode
Simple Average dimana metode tersebut adalah metode peramalan yang
menghitung rata-rata seluruh data masa lalu untuk mendapatkan hasil
peramalan masa depan, lalu untuk metode Single Moving Average merupakan
suatu metode peramalan yang dilakukan dengan mengambil sekelompok nilai
Program Studi Teknik Industri 1

Modul 5 Forecasting
Kelompok 2
pengamatan, mencari nilai rata-rata tersebut sebagai ramalan untuk periode

yang akan datang, lalu pada metode Weighted Moving Average mem-forecast
dengan beberapa data terakhir dengan memberikan bobot yang berbeda-beda,
setelah itu metode Centered Moving Average perhitungannya diletakkan pada
pertengahan periode yang digunakan untuk menghitung nilai rata-ratanya,
setelah itu metode Single Exponential Smoothing dihitung berdasarkan hasil
peramalan ditambah dengan peramalan periode sebelumnya (jangka pendek),
sedangkan metode Double Exponential Smoothing digunakan ketika
berbentuk data trend, yang terakhir adalah metode Linier Regresi sebuah
teknik statistika untuk memprediksi hubungan antar variabel dan
memprediksi masa depan dengan waktu yang telah ditentukan.
1.2 Tujuan Praktikum
Adapun tujuan dalam praktikum ini adalah sebagai berikut:
1. Mampu mengetahui manfaat dan posisi forecasting dalam sistem industri.
2. Mampu menerapkan metode-metode dan teknik dalam forecasting.
3. Mampu memilih metode terbaik dalam forecasting.
4. Melakukan verifikasi dan validasi untuk mendapatkan metode terbaik.
1.3 Perumusan dan Pembatasan Masalah
1.3.1 Perumusan Masalah
Adapun rumusan masalah dalam praktikum ini adalah sebagai
berikut:
1. Bagaimana manfaat dan posisi forecasting dalam sistem industri ?
2. Bagaimana menerapkan metode-metode dan teknik dalam
forecasting ?
3. Bagaimana memilih metode terbaik dalam forecasting ?
4. Bagaimana cara melakukan verifikasi dan validasi untuk
mendapatkan metode terbaik ?

Modul 5 Forecasting
Kelompok 2
1.3.2 Pembatasan Masalah

Adapun pembatasan masalah dalam praktikum ini adalah
sebagai berikut:
1. Data yang diperoleh merupakan data historis yang sudah disediakan.
2. Praktikum dilaksanakan di prodi teknik industri, fakultas teknik
universitas tanjungpura pada tanggal 16 Oktober 2018 pada pukul
09.00 WIB.

Modul 5 Forecasting
Kelompok 2
1.4 Metodologi Praktikum

1.4.1 Flowchart Praktikum
Mulai
Studi Literatur
1. Definisi Peramalan
2. Tahapan Peramalan
3. Fungsi Peramalan
4. Macam Peramalan
5. Pola Data untuk Time Series
6. Model-Model Kausal
7. Pemilihan dan Evaluasi Metode-Meode Peramalan
8. Uji Kesalahan Peramlaan (Uji Verifikasi)
9. Uji Validasi
Persiapan alat dan bahan

1. Perangkat keras komputer
2. Data permintaan produksi masa lalu
3. Perangkat lunak
- Worksheet (Microsoft Excel)
- Word Processor (Microsoft Word)
Pengumpulan data historis
Tidak
Apakah data
sudah benar ?
Ya
Pengolahan data
1. Plotting data
2. Peramalan dengan beberapa metode
3. Rekapitulasi nilai error dan verifikasi
data
4. Validasi Metode
Analisis
1. Analisis semua metode ramalan
2. Analisis Verifikasi
3. Analisis metode terpilih
4. Analisis Validasi
Kesimpulan dan saran
Selesai
Gambar 1.1 Flowchart Praktikum

Modul 5 Forecasting
Kelompok 2
1.4.2 Penjelasan Flowchart Praktikum

1. Mulai
2. Studi Literatur
Sebelum memulai praktikum, terlebih dahulu praktikan mempelajari
dan memahami studi literatur meliputi dafinisi peramalan, tahapan
peramalan, fungsi peramalan, macam peramalan, plot data untuk
time series, metode deret waktu (time series), model-model kausal,
pemilihan dan evaluasi metode-metode peramalan, uji kesalahan
peramalan (uji verifikasi) dan uji validasi.
3. Persiapan Alat dan Bahan
Mempersiapkan alat dan bahan hal yang penting untuk mendukung
praktikum ini pada pengumpulan data historis dan proses pengolahan
data. Alat dan bahan yang digunakan berupa komputer atau laptop,
data permintaan produksi masa lalu, perangkat lunak yang berupa
worksheet dan word processor.
4. Pengumpulan Data Historis
Pengumpulan data historis berupa rekap penjualan produk tamiya
varian warna putih dan hitam 24 periode.
5. Melakukan Pengecekan Data
Tahap ini melakukan pengecekan terhadap data apakah sudah tepat
atau benar. Jika data yang dikumpulkan salah maka tidak dapat
untuk melanjutkan ketahap pengolahan data dan kembali ke tahap
pengumpulan data.
6. Pengolahan Data
Pengolahan data dibuat berdasarkan data historis penjualan produk
tamiya warna putih dan warna hitam selama periode 24 bulan.
Pengolahan data diawali dengan melakukan plotting data. Hasil
plotting data digunakan untuk melakukan peramalan dengan
beberapa metode. Hasil peramalan direkapitulasi nilai eror dan
dilakukan verifikasi data serta validasi metode. Dari metode yang
terpilih didapat hasil peramalan untuk 12 periode kedepan.

Modul 5 Forecasting
Kelompok 2
7. Analisis
Analisis dilakukan pada semua metode ramalan, verifikasi, metode
terpilih, dan validasi.
8. Kesimpulan dan saran
Setelah itu praktikan menarik kesimpulan dari praktikum ini dan
memberikan saran atas kendala apa saja yang praktikan hadapi saat
praktikum berlangsung.
9. Selesai
1.5 Sistematika Penulisan
BAB I : PENDAHULUAN
Pendahuluan merupakan bab pertama dari laporan yang berisi tentang
mengapa praktikum ini perlu untuk dilakukan. Bagian ini memberikan
gambaran mengenai topik praktikum yang terdapat atas latar belakang,
tujuan, perumusan dan pembatasan masalah, metodologi praktikum,
flowchart praktikum dan penjelasannya serta sistematika penulisan.
BAB II : TINJAUAN PUSTAKA
Tinjauan pustaka merupakan bagian yang berisikan tentang landasan
teori pada praktikum yang dilaksanakan, dimana pada praktikum ini teori
yang dibahas terdiri dari definisi peramalan atau forecasting, tahapan
peramalan, fungsi peramalan, macam-macam peramalan, pola data untuk time
series, metode deret waktu (time series), model-model kausal, pemilihan dan
evaluasi metode-metode peramalan, uji kesalahan peramalan (verifikasi) serta
uji validasi.
BAB III : PENGOLAHAN DATA DAN PEMBAHASAN
Pengolahan data dan pembahasan berisi tentang berbagai perhitungan
peramalan atau forecasting yang memiliki berbagai tahapan-tahapan tertentu,
seperti memplotting data, peramalan dengan beberapa metode, rekapitulasi
nilai error dan verifikasi data, validasi metode dan dilihat metode yang
terpilih pada hasil peramalan.

Modul 5 Forecasting
Kelompok 2
BAB IV : ANALISIS
Analisis berisi mengenai analisa yang mencakup analisis terhadap
semua metode ramalan, analisis verifikasi, analisis metode terpilih serta
analisis validasi.
BAB V : KESIMPULAN DAN SARAN
Kesimpulan berisi suatu keputusan kesimpulan dari keseluruhan
pembahasan yang telah dicapai. Sedangkan pada bagian saran harapan yang
ditujukan kepada pembacanya sesuai dengan topik laporan yang telah dibuat.

Modul 5 Forecasting
Kelompok 2
BAB II
TINJAUAN PUSTAKA
2.1 Definisi Peramalan (forecasting)
Peramalan atau dalam bahasa Inggris disebut dengan Forecasting
adalah seni dan ilmu memprediksi apa yang akan terjadi di masa depan.
Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan
penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat
dalam kuantitas yang tepat. Peramalan merupakan dugaan terhadap
permintaan yang akan datang berdasarkan pada beberapa variabel peramal,
sering berdasarkan data deret waktu historis. Peramalan menggunakan teknik-
teknik peramalan yang bersifat formal maupun informal (Gaspersz, 1998).
Peramalan yang buruk akan menghasilkan keputusan bisnis yang salah dan
membuat perusahaan tidak siap untuk memenuhi tuntutan masa depan
sehingga akan sangat membahayakan perusahaan itu sendiri. Konsekuensinya
dapat berupa hilangnya pelanggan atau menderita kerugian yang besar atau
bahkan memaksa perusahaan yang bersangkutan keluar dari bisnisnya
Peramalan didasarkan pada penentuan (prediksi) jumlah permintaan (demand)
sebuah produk yang kemudian akan dijadikan sebagai target produksi.
Berikut ini merupakan definisi peramalan menurut beberapa ahli, yaitu:
a. Menurut John E. Biegel (1999): “Peramalan adalah kegiatan
memperkirakan tingkat permintaan produk yang diharapkan untuk suatu
produk atau beberapa produk dalam periode waktu tertentu dimasa yang
akan datang”.
b. Menurut Bufa S. Elwood (1996): “Peramalan atau forecasting diartikan
sebagai penggunaan teknik – teknik statistik dalam bentuk gambaran masa
depan berdasarkan pengolahan angka – angka historis”.
c. Menurut Makridakis (1988): “Peramalan merupakan bagian integral dari
kegiatan pengambilan keputusan manajemen”.
d. Menurut Manahan P. Tampubolon (2004:40): “Peramalan atau forecasting
adalah penggunaan data untuk menguraikan kejadian yang akan datang di
dalam menentukan saran yang di kehendaki”.

Modul 5 Forecasting
Kelompok 2
e. Menurut Kostas (1981): “Peramalan merupakan suatu dugaan terhadap

permintaan yang akan datang berdasarkan kuantitas, waktu, kualitas, dan
lokasi terhadap produk atau layanan yang diinginkan”.
Berdasarkan beberapa pengertian diatas, dapat disimpulkan bahwa
forecasting merupakan salah satu teknik dalam sistem perencanaan yang
berfungsi untuk menentukan aktivitas produksi yang akanterjadi dimasa yang
akan datang berdasarkan data historis masa lalu guna memperoleh suatu
sistem dan kebijakan yang lebih baik dan menguntungkan bagi perusahaan
atau organisasi yang terkait.
2.2 Tahapan Peramalan
Terdapat beberapa langkah penting dalam tahap-tahap forecasting
yaitu:
1. Plot data.
Ploting data harus dilakukan sebelum melakukan metode peramalan untuk
menentukan pola data yang terjadi. Dengan data yang ada diperoleh
diagram pencarnya.
2. Memilih alternatif metode yang sesuai dengan pola data masa lalu. Dengan
asumsi, pola akan berulang pada periode yang akan datang.
3. Melakukan uji verifikasi dengan menghitung error dari metode – metode
yang digunakan.
4. Memilih metode yang terbaik, yang dipilih adalah 2 metode yang
memiliki error terkecil.
5. Melakukan uji validasi metode terpilih dengan menggunakan peta Moving
Range.
2.3 Fungsi Peramalan
Peramalan merupakan upaya yang dilakukan untuk memperkirakan
kebutuhan dimasa mendatang, meliputi kebutuhan dalam hal kuantitas,
kualitas, waktu, dan lokasi yang dibutuhkan untuk pemenuhan barang atau
jasa. Adapun hasil dari peramalan tersebut akan digunakan sebagai acuan
untuk membuat keputusan. Kondisi yang tidak stabil seringkali membuat
Anda sulit untuk membuat sebuah perencanaan yang efektif. Disinilah
peramalan akan membantu para pengambil keputusan dalam mengurangi

Modul 5 Forecasting
Kelompok 2
ketidakpastian dalam menentukan perencanaan. Dalam dunia usaha,

peramalan adalah dasar untuk merencanakan kapasitas, anggaran,
perencanaan penjualan, perencanaan produksi dan inventory, perencanaan
sumberdaya, perencanaan pembelian atau pengadaan bahan baku. Peramalan
bermanfaat untuk menentukan ramalan kebutuhan dari produk yang dibuat
yang dinyatakan dalam kuantitas produk sebagai fungsi dari waktu.
Peramalan dapat dilakukan untuk jangka panjang, jangka menengah,
dan jangka pendek. Potensi dan kelemahan perusahaan diperhatikan dengan
seksama. Peramalan dilakukan sebelum perencanaan dibuat. Hasil dari
peramalan ini menjadi dasar dalam pembuatan rencana dan diproyeksikan
untuk menjadi bahan penjabaran rencana.
Menurut pandangan Jay Heizer dan Barry Render (2006):
1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dimasa
lalu serta melihat sejauh mana pengaruh dimasa datang.
2. Peramalan diperlukan karena adanya time Lag atau Delay antara saat suatu
kebijakan perusahaan ditetapkan dengan saat impementasi.
3. Peramalan merupakan dasar penyusunan bisnis pada suatu perusahaan
sehingga dapat meningkatkan efektifitas suatu rencana bisnis.
Adapun fungsi lain yang bisa mengarah pada peramalan yaitu:
1. Untuk atau mengkaji kebijakan perusahaan yang berlaku saat ini dan
dimasa lalu, serta melihat sejauh mana pengaruhnya dimasa datang.
2. Peramalan diperlukan karena adanya time lag antara saat suatu kebijakan
peruasahaan di tetapkan dengan saat implementasi.
3. Dengan adanya peramalan, maka dapat dipersiapkan program dan tindakan
perusahaan untuk mengantisipasi keadaan dimasa datang sehingga resiko
kegagalan bisa diminimalkan.
2.4 Macam Peramalan
Berdasarkan sifatnya, peramalan diklasifikasikan menjadi dua bagian
yaitu:
a. Peramalan Kualitatif
Peramalan kualitatifumumnya bersifat subjektif dan bergantung pada
pengalaman, keahlian, dan pendapat seseorang. Metode ini lebih

Modul 5 Forecasting
Kelompok 2
digunakan ketika terdapat faktor-faktor yang menyebabkan data menjadi

berubah seperti perkiraan penjualan ketika menggunakan teknologi baru
seperti internet, adanya promo penjualan bulan ke depan, atau bahkan
ketika produk baru diluncurkan. Peramalan kualitatif digunakan apabila
data masa lalu tidak tersedia atau tersedia namun jumlahnya yang tidak
banyak. Teknik ini mengkombinasikan informasi dengan pengalaman,
penilaian dan intuisi untuk menghasilkan pola-pola dan hubungan yang
mungkin dapat diterapkan dalam memprediksi masa yang akan datang.
Teknik-teknik kualitatif didasarkan atas pendekatan akal sehat dalam
menyaring informasi kedalam bentuk yang bermanfaat. Beberapa metode
yang tercakup dalam teknik – teknik kualitatif antara lain visionary, panel
consesus, brainstorming, antypatory survey, role playing, dan lain
sebagainya. Beberapa model peramalan yang termasuk dalam peramalan
kualitatif adalah sebagai berikut:
1. Metode delphi
Sekelompok pakar mengisi kuesioner, Moderator menyimpulkan
hasilnya dan memformulasikan menjadi suatu kuesioner baru yang diisi
kembali oleh kelompok tersebut, demikian seterusnya. Hal ini
merupakan proses pembelajaran dari kelompok tanpa adanya tekanan
atau intimidasi individu.
2. Market research
Merupakan metode peramalan berdasarkan hasil – hasil dari survei
pasar yang dilakukan oleh tenaga-tenaga pemasar produk atau yang
mewakilinya. Metode ini akan menjaring informasi dari pelanggan atau
pelanggan potensial (konsumen) berkaitan dengan rencana pembelian
mereka di masa mendatang. Riset pasar tidak hanya akan
membantu peramalan, tetapi juga untuk meningkatkan desain produk
dan perencanaan untuk produk-produk baru.
3. Life cycle analogy
Secara umum, hampir semua produk akan mengikuti product life cycle
(PLC) yang meliputi introduction, growth, maturity, dan decline.

Modul 5 Forecasting
Kelompok 2
Berdasar pada pengalaman produk yang sama pada periode yang lalu,
seseorang dapat membuat model yang sama dengan produk tersebut.
4. Panel consensus
Peramalan semata-mata berdasarkan pertimbangan manajemen,
umumnya oleh manajemen senior. Metode ini akan cocok dalam situasi
yang sangat sensitif terhadap intuisi dari suatu atau sekelompok kecil
orang yang karena pengalamannya mampu memberikan opini yang
kritis dan relevan. Teknik akan dipergunakan dalam situasi dimana
tidak ada situasi dimana tidak ada alternatif lain dari model peramalan
yang dapat diterapkan. Bagaimanapun metode ini mempunyai banyak
keterbatasan, sehingga perlu dikombinasikan dengan metode peramalan
yang lain.
b. Peramalan Kuantitatif
Peramalan kuantitatif adalah teknik peramalan dimana pola historis dat
digunakan untuk meramalkan keadaan dimasa yang akan datang. Menurut
Makridakis, Wheelwright dan McGee (1999,p20), tiga kondisi penerapan
dari penerapan peramalan ini, yaitu tersedianya informasi tentang masa
lalu, informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik,
dan dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut ke masa mendatang. Terdapat dua teknik kuantitatif yang utama,
yakni analisis deret waktu (time series analysis) dan model struktural
(structural model) atau model kausal.
a. Time Series adalah analisis deret waktu yang didasarkan pada deret
yang menggambarkan pola-pola bervariasi sepanjang waktu, dan dapat
di modelkan untuk menentukan pola yang akan terjadi di masa depan.
b. Causal Model adalah model yang terdiri dari teknik – teknik peramalan
yang menggunakan informasi atas satu atau beberapa faktor (variable)
untuk memprediksi faktor lainnya dengan memanfaatkan pengetahuan
atas hubungan antara variabel – variabel tersebut.
c. Other Quantitative adalah metode peramalan jenis kuantitatif yang
menggunakan teknik peramalan market research, management science,
expert system, artifical dan lain-lain.

Modul 5 Forecasting
Kelompok 2
Berikut ini merupakan tahapan dalam penyusunan peramalan dengan

menggunakan peramalan kuantitatif, yaitu:
1. Tentukan tujuan peramalan
2. Pembuatan diagram pencar
3. Pilih minimal dua metode peramalan yang dianggap sesuai
4. Hitung parameter – parameter fungsi peramalan
5. Hitung kesalahan setiap metode yang terbaik, yaitu yang memiliki
kesalahan terkecil
6. Pilih metode yang terbaik, yaitu yang memiliki kesalahan terkecil
7. Lakukan verifikasi peramalan
Berdasarkan sifat penyusunannya, maka peramalan dibedakan
menjadi dua macam, yaitu:
a. Peramalan yang subjektif, adalah peramalan yang didasarkan atas
perasaan atau intuisi dari penyusunannya.
b. Peramalan yang objektif, adalah peramalan yang didasarkan atas data
yang relevan pada masa lalu, dengan menggunakan teknik – teknik
dan metode – metode dalam penganalisaane data tersebut.
Sedangkan, berdasarkan jangka waktu ramalan yang disusun, maka
peramalan dibedakan atas:
a. Peramalan jangka panjang, adalah peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka waktunya lebih dari satu
setengah tahun.
b. Peramalan jangka pendek, adalah peramalan yang dilakukan untuk
penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu
setengah tahun. Sehingga peramalan jangka pendek menggunakan
teknik analisa hubungan dimana satu – satunya variabel yang
mempengaruhi adalaha waktu (Assauri, 1984).
2.5 Pola Data untuk Time Series
Menurut Australia Bureau of Statistics, data time series adalah
sekumpulan data pengamatan yang diperoleh dari perhitungan dari waktu ke
waktu. Pada umumnya pengumpulan dan pencatatan itu dilakukan dalam
jangka waktu tertentu misalnya tiap bulan, tiap akhir tahun, sepuluh tahun

Modul 5 Forecasting
Kelompok 2
dan sebagainya. Contoh data time series adalah pertumbuhan ekonomi suatu
negara pertahun, jumlah produksi minyak perbulan, indeks harga saham
perhari.
Hal yang perlu diperhatikan pada peramalan data time series adalah
galat (error), dimana merupakan bagian yang tidak terpisahkan dalam metode
peramalan. Hasil dari prediksi sangatlah jarang yang sama dengan data
sesungguhnya, maka seorang peramal hanya bisa berusaha untuk membuat
galatnya menjadi seminimal mungkin. Untuk meramalkan data time series
dibutuhkan teknik peramalan yang baik. Teknik peramalan dapat bermacam-
macam tergantung pada pola data yang ada. Menurut Hanke dan Wichern
(2005:58), ada empat macam tipe pola data yaitu:
1. Pola Data Horizontal
Pola data horizontal terjadi saat data observasi berfluktuasi di sekitaran
suatu nilai konstan ataumean yang membentuk garis horizontal. Data ini
disebut juga dengan data stasioner. Contoh plot data horizontal adalah
pada gambar 2.1 yaitu berupa plot data penjualan. Jumlah penjualan selalu
meningkat atau menurun pada suatu nilai konstan secara konsisten dari
waktu ke waktu.
Gambar 2.1 Contoh Pola Data Horizontal

2. Pola Data Trend
Pola data trend terjadi bila mana data pengamatan mengalami
kenaikan atau penurunan selama periode jangka panjang. Suatu data
pengamatan yang mempunyai trend disebut data nonstasioner. Plot data
trend dicontohkan pada gambar 2.2 yaitu berupa data harga suatu produk
yang meningkat dari tahun ke tahun.

Modul 5 Forecasting
Kelompok 2
Gambar 2.2 Contoh Pola Data Trend Naik

3. Pola Data Musiman
Pola data musiman terjadi bilamana suatu deret dipengaruhi oleh
faktor musiman. Pola data musiman dapat mempunyai pola musim yang
berulang dari periode ke periode berikutnya. Misalnya pola yang berulang
setiap bulan tertentu, tahun tertentu atau pada minggu tertentu.
Gambar 2.3 Contoh Pola Data Musiman

4. Pola Data Siklis
Pola data siklis terjadi bilamana deret data dipengaruhi oleh
fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus
bisnis. Di bawah ini adalah contoh plot pola data siklis.
Gambar 2.4 Contoh Pola Data Siklis

2.6 Metode Deret Waktu (Time Series)
Time series adalah suatu himpunan pengamatan yang dibangun secara
berurutan dalam waktu. Waktu atau periode yang dibutuhkan untuk

Modul 5 Forecasting
Kelompok 2
melakukan suatu peramalan itu biasanya disebut sebagai lead time yang
bervariasi pada tiap persoalan. Berdasarkan himpunan pengamatan yang
tersedia maka time series dikatakan kontinu jika himpunan pengamatan
tersebut adalah kontinu dan dikatakan diskrit bila himpunan pengamatan
tersebut juga diskrit.
1. Simple Average (SA)
Metode Simple Average (rata-rata sederhana) adalah metode peramalan
yang menghitung rata-rata seluruh data masa lalu untuk mendapatkan hasil
peramalan masa depan.
X t  X t 1  ....  X t n 1
St 
n 1 .................................... (2.1)
Dimana:
St+1 = Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.

Modul 5 Forecasting
Kelompok 2
Tabel 2.1 Contoh Metode Simple Average

Tahun Order (At)
1 100
2 200
3 300
4 200
5 150
6 250
7 100
Jika kita akan meramal jumlah order garmen pabrik pada tahun ke-
8, maka:
Contoh perhitungan pada simple average:
𝑋1 + 𝑋2 + ⋯ + 𝑋7
𝐹8 =
8−1
𝐹8 = 186
2. Single Moving Average (SMA)
Metode rata-rata bergerak tunggal menggunakan sejumlah data aktual
permintaan yang baru untuk membangkitkan nilai ramalan untuk
permintaan dimasa yang akan datang. Metode ini akan efektif diterapkan
apabila kita dapat mengasumsikan bahwa permintaan pasar terhadap
produk akan tetap stabil sepanjang waktu (Gaspersz, 2005:87).Metode ini
mempunyai dua sifat khusus yaitu untuk membuat forecast memerlukan
data historis dalam jangka waktu tertentu, semakin panjang moving
averages akan menghasilkan moving averages yang semakin halus,
secara sistematis moving averages adalah
X t  X t 1  ....  X t n1
St  ................................... (2.2)
n
Dimana:
St+1 = Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.

Modul 5 Forecasting
Kelompok 2
Contoh perhitungan dengan t=4

𝑋10 + 𝑋11 + 𝑋12 + 𝑋13
𝐹14 =
4
9955 + 9323 + 10332 + 8981
𝐹16 =
4
𝐹16 = 9647,75
Tabel 2.2 Perhitungan Metode Single Moving Average
c X(t) F(t) E |e| Error^2 PE |PE|

1 9955
2 9910 9874 36 36 1296 3,63269E-05 3,63E-05
3 9757 9884,667 -127,667 127,6667 16298,78 -0,000130846 0,000131
4 9987 9849,333 137,6667 137,6667 18952,11 0,000137846 0,000138
5 9804 9927,333 -123,333 123,3333 15211,11 -0,000125799 0,000126
6 9991 9835,333 155,6667 155,6667 24232,11 0,000155807 0,000156
7 9711 9835 -124 124 15376 -0,00012769 0,000128
8 9803 9799 4 4 16 4,08038E-06 4,08E-06
9 9883 9880,333 2,666667 2,666667 7,111111 2,69824E-06 2,7E-06
10 9955 9847,667 107,3333 107,3333 11520,44 0,000107819 0,000108
11 9705 9839 -134 134 17956 -0,000138073 0,000138
12 9857 9906 -49 49 2401 -4,97109E-05 4,97E-05
13 10156 9963 193 193 37249 0,000190035 0,00019
14 9876 9989,667 -113,667 113,6667 12920,11 -0,000115094 0,000115
15 9937 9914,667 22,33333 22,33333 498,7778 2,24749E-05 2,25E-05
16 9931 9935,667 -4,66667 4,666667 21,77778 -4,69909E-06 4,7E-06
17 9939 9915 24 24 576 2,41473E-05 2,41E-05
3. Weighted Moving Average

Weight Moving Average (WMA) merupakan model rata-rata begerak
terbobot yang lebih responsif terhadap perubahan, karena data dari
periode yang baru biasanya diberi bobot lebih besar, aplikasi ini dapat
membantu pihak perusahaan dalam mengetahui peramalan penjualan
yang akan terjadi pada bulan berikutnya berdasarkan data penjualan
aktual. Dengan formulasi:
Σ (𝑑𝑎𝑡𝑎 𝑥 𝑏𝑜𝑏𝑜𝑡)
𝑊𝑀𝐴 = .............................................. (2.3)
Σ 𝑏𝑜𝑏𝑜𝑡

Modul 5 Forecasting
Kelompok 2
Contoh perhitungan dengan t=4 dan bobot yang sudah ditentukan

sebelumnya :
Tabel 2.3 Contoh Metode Weighted Moving Average
No Data Bobot F
1 2533 0,2
2 2433 0,3
3 2523 0,35
4 2587 0,15
5 2234
6 2643
7 2986
8 3012
9 3102 2736
(𝑋5 𝑥 𝑏1 ) + (𝑋6 𝑥 𝑏2 ) + (𝑋7 𝑥 𝑏3 ) + (𝑋8 𝑥𝑏4 )

𝐹9 =
1
(2234 𝑥 0,2) + (2643 𝑥 0,3) + (2986 𝑥 0,35) + (3012𝑥0,15)
𝐹9 =
1
𝐹9 = 2736
4. Centered Moving Average

Perhitungan yang digunakan pada metode ini sama dengan metode
moving average. Hanya saja hasil perhitungannya diletakkan pada
pertengahan periode yang digunakan untuk menghitung nilai rata-
ratanya. Berikut adalah Formulasinya:
Yt  Yt 1  Yt 2  ....  Yt n1
MA =
n .......................................................(2.4)
9955+9910+9757
= = 9874
3

Modul 5 Forecasting
Kelompok 2
Tabel 2.4 Perhitungan Metode Centered Moving Average

T X(t) F(t) Error Abs Error Error^2 PE Abs PE
1 9955
2 9910 9874 36 36 1296 3,63269E-05 3,63E-05
3 9757 9884,667 -127,667 127,6667 16298,78 -0,000130846 0,000131
4 9987 9849,333 137,6667 137,6667 18952,11 0,000137846 0,000138
5 9804 9927,333 -123,333 123,3333 15211,11 -0,000125799 0,000126
6 9991 9835,333 155,6667 155,6667 24232,11 0,000155807 0,000156
7 9711 9835 -124 124 15376 -0,00012769 0,000128
8 9803 9799 4 4 16 4,08038E-06 4,08E-06
9 9883 9880,333 2,666667 2,666667 7,111111 2,69824E-06 2,7E-06
10 9955 9847,667 107,3333 107,3333 11520,44 0,000107819 0,000108
11 9705 9839 -134 134 17956 -0,000138073 0,000138
12 9857 9906 -49 49 2401 -4,97109E-05 4,97E-05
13 10156 9963 193 193 37249 0,000190035 0,00019
14 9876 9989,667 -113,667 113,6667 12920,11 -0,000115094 0,000115
15 9937 9914,667 22,33333 22,33333 498,7778 2,24749E-05 2,25E-05
16 9931 9935,667 -4,66667 4,666667 21,77778 -4,69909E-06 4,7E-06
17 9939 9915 24 24 576 2,41473E-05 2,41E-05
5. Single Exponential Smoothing

Digunakan untuk data runtut waktu yang mengikuti pola stasioner.
Bentuk umum yang digunakan untuk menghitung ramalan adalah:
Yˆt 1  Yt  (1   )Yˆt ................................................................ (2.5)
Dimana:
Yˆt 1 = nilai ramalan untuk periode berikutnya
 = konstanta pemulusan
Yt = data baru atau nilai Y yg sebenarnya pada periode t
Yˆt = nilai pemulusan yang lama atau rata-rata pemulusan hingga
periode t-1

Modul 5 Forecasting
Kelompok 2
Contoh:
∝ = 0,042
SES = (∝Xt + (1-∝) Ft-1)
SES = (0,042 x 9955 + (0,958) 9955) = 9,955
Tabel 2.5 Perhitungan Metode Single Exponential Smoothing

Abs Abs
t X(t) F(t) Error Error Error^2 PE Abs PE PEMBILANG PENYEBUT Gal.R
1 9955 9955
2 9910 9955 -45,00 45,00 2025,00 -0,00005 0,00005 0,00039 0,0002 0,0045
3 9757 9953,11 -196,11 196,11 38459,13 -0,00020 0,00020 0,00002 0,0006 0,0154
4 9987 9944,873 42,13 42,13 1774,65 0,00004 0,00004 0,00020 0,0003 0,0236
5 9804 9946,643 -142,64 142,64 20346,94 -0,00015 0,00015 0,00003 0,0004 0,0183
6 9991 9940,652 50,35 50,35 2534,95 0,00005 0,00005 0,00054 0,0008 0,0191
7 9711 9942,766 -231,77 231,77 53715,63 -0,00024 0,00024 0,00018 0,0001 0,0280
8 9803 9933,032 -130,03 130,03 16908,36 -0,00013 0,00013 0,00002 0,0001 0,0095
9 9883 9927,571 -44,57 44,57 1986,56 -0,00005 0,00005 0,00001 0,0001 0,0082
10 9955 9925,699 29,30 29,30 858,56 0,00003 0,00003 0,00050 0,0006 0,0073
11 9705 9926,929 -221,93 221,93 49252,69 -0,00023 0,00023 0,00004 0,0002 0,0251
12 9857 9917,608 -60,61 60,61 3673,38 -0,00006 0,00006 0,00060 0,0009 0,0157
13 10156 9915,063 240,94 240,94 58050,70 0,00024 0,00024 0,00002 0,0008 0,0303
14 9876 9925,182 -49,18 49,18 2418,89 -0,00005 0,00005 0,00000 0,0000 0,0276
15 9937 9923,117 13,88 13,88 192,75 0,00001 0,00001 0,00000 0,0000 0,0062
16 9931 9923,7 7,30 7,30 53,29 0,00001 0,00001 0,00000 0,0000 0,0006
17 9939 9924,006 14,99 14,99 224,81 0,00002 0,00002 0,00002 0,0000 0,0008
18 9875 9924,636 -49,64 49,64 2463,74 -0,00005 0,00005 0,00001 0,0000 0,0064
6. Double Exponential Smoothing (DES)

Metode double exponential smoothing biasanya lebih tepat digunakan
untuk maramalkan data yang mengalami kecenderungan trend naik.
(Pengestu Subagyo, 2004;8). Dalam metode ini dilakukan proses
smoothing dua kali, adapun prosedur untuk membuat forecast dengan
double exponential smoothing adalah sebagai berikut:

Modul 5 Forecasting
Kelompok 2
1) Menentukan smoothing pertama

S’t = αXt + (1 - α)S’t-1 .............................................(2.6)
2) Menentukan smoothing kedua
S”t = αS’t + (1 - α)S”t-1 ........................................(2.7)
3) Menentukan konstanta
at = 2S’t – S”t ..................................................(2.8)
4) Menentukan slope
bt = 𝛼⁄1 − 𝛼 (𝑆 ′ 𝑡 − 𝑆"𝑡) ....................................(2.9)
5) Menentukan forecast
Ft+m = at + btm ....................................................(2.10)
m : adalah jangka waktu forecast kedepan
Contoh Perhitungan manual :

𝑆4′ = (∝ 𝑥 𝑋4 ) + (1 − ∝) 𝑥 𝑆4−1
′
)
𝑆4′ = (0,1𝑥 4024,12) + ((0,9) 𝑥 2585,199) = 2729,091
𝑆4" = (∝ 𝑥 𝑆4′ ) + ((1 − ∝) 𝑥 𝑆4−1
"
)
𝑆4" = (0,1 𝑥 2729,091) + ((0,9) 𝑥 2378,505) = 2413,564
𝑎4 = (2 𝑥 𝑆4′ ) − 𝑆4"
𝑎4 = (2 𝑥 2729,091) − 2413,564 = 3044,619
∝
𝑏4 = ( ) 𝑥(𝑆4′ − 𝑆4" )
1−∝
0,1
𝑏4 = ( ) 𝑥(2729,091 − 2413,564) = 35,05861
0,9
𝐹5 = 𝑎5 + 𝑏5
𝐹5 = 3044,619 + 35,05861 = 3079,677

Modul 5 Forecasting
Kelompok 2
Tabel 2.6 Contoh Metode Double Eksponential Smoothing

Periode Demand S't S"t at bt Peramalan
1 2345,54 2345,54 2345,54
2 3345,44 2445,53 2355,539 2535,521 9,999
3 3842,22 2585,199 2378,505 2791,893 22,966 2545,52
4 4024,12 2729,091 2413,564 3044,619 35,05861 2814,859
5 4545,34 2910,716 2463,279 3358,153 49,71524 3079,677
7. Linear Regresi
Linier regresi terdapat 2 pendekatan untuk melakukan peramalan
dengan menggunakan analisis deret waktu engan metode regresi
sederhana, yaitu :
1. Analisis deret waktu untuk regresi sederhana linier
2. Analisis deret waktu untuk regresi sederhana yang non linier
Dalam analisis deret waktu yang linier adalah analisis pola hubungan
yang dicari dengan satu variabel yang mempengaruhinya : waktu.
Sedangkan analisis deret waktu yang non linier, merupakan analisis
hubungan antara variabel yang dicari dengan hanya satu (1) yang
mempengaruhinya, yaitu variabel waktu.
Untuk menjelaskan hubungan kedua metode ini kita gunakan notasi
matematis seperti:
Y = F (x)
Dimana :
Y = Dependent variable (variabel yang dicari)
X = Independent variable (variabel yang mempengaruhinya)
Notasi regresi sederhana dengan menggunakan regresi linier (garis
lurus) dapat digunakan sebagai berikut :
Y = a + b X....... .............................................(2.11)
Dimana a dan b adalah merupakan parameter (koefisien regresi) yang
harus dicari. Untuk mencari nilai a dapat digunakan dengan
menggunakan rumus :
a=
Y  b  X ..............................................................(2.12)
n n

Modul 5 Forecasting
Kelompok 2
atau :
 
a= Y -b X ................................................................(2.13)
kemudian nilai b dapat dicari dengan rumus :
n XY   X  Y ....................................................(2.14)
b=
n X  ( X ) 2 2
atau
(𝑛 − ((∑ 𝑡 𝑥 𝑋𝑡 ) − (∑ 𝑡 𝑥 ∑ 𝑋𝑡 )))
𝑏=
(𝑛 𝑥 (∑ 𝑡 2 − (∑ 𝑡)2 ))
∑ 𝑋𝑡 𝑏 𝑥 ∑𝑡 .......................(2.15)
𝑎= −
𝑛 𝑛
𝐹𝑡 = 𝑎 + (𝑏 𝑥 𝑡)
Dimana:
N = banyaknya demand
t = periode
Xt = demand
Ft = peramalan pada periode ke-t
Berikut adalah contohnya:

5 − (6510 − (15 𝑥 1302))
𝑏= = 28,2
(5 𝑥 (55 − 225))
1302 28,2 𝑥 15
𝑎= − = 1160,2
5 5
𝐹5 = (1160,2) + ( 28,2𝑥 4) = 1273
Tabel 2.6 Contoh Metode Regresi Linier

Periode Demand XY X2 b a Peramalan
1 1230 1230 1 28,2 1160,2
2 1160 2320 4 28,2 1160,2 1188,4
3 1234 3702 9 28,2 1160,2 1216,6
4 1298 5192 16 28,2 1160,2 1244,8
5 1302 6510 25 28,2 1160,2 1273
Total 15 6224 18954 55 141 5801 4922,8

Modul 5 Forecasting
Kelompok 2
2.7 Model-model Kausal

Metode peramalan kausal mengembangkan suatu model sebab-akibat
antara permintaan yang diramalkan dengan variable-variabel lain yang
dianggap berpengaruh. Model kausal terdiri atas teknik-teknik peramalan
yang menggunakan informasi atas satu atau beberapa faktor (variable) untuk
memprediksi faktor lainnya dengan memanfaatkan pengetahuan atas
hubungan antara variable-variabel tersebut. Teknik utama dalam model-
model kausal ini yaitu:
1. Ekonometri
Metode ini berdasarkan persamaan regresi yang di dekati secara
simultan.Metode ini banyak digunakan untuk perencanaan ekonomi
suatu negara baik jangka pendek maupun jangka panjang.
2. Regresi & Korelasi
Metode ini menggunakan teknik kuadrat terkecil (least square).Banyak
digunakan untuk prediksi dalam jangka yang pendek.
3. Input Output
Biasa digunakan untuk perencanaan ekonomi dengan jangka waktu yang
panjang. Banyak digunakan untuk peramalan penjualan perusahaan,
penjualan sektor industri dan sub sektor industri, produksi dari sektorda
sub sektor industri.
2.8 Pemilihan dan Evaluasi Metode-metode Peramalan
Ketepatan ramalan 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 pemodelan deret
berkala (time series) dari data masa laludapat 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:

Modul 5 Forecasting
Kelompok 2
1. Nilai Tengah Galat ( Mean Error )

∑𝑛𝑖=1 𝑒𝑖 ..............................(2.16)
𝑀𝐸 =
𝑛
2. Nilai Tengah Galat Kuadrat ( Mean Square Error )
∑𝑛𝑖=1 𝑒𝑖2 ...........................(2.17)
𝑀𝑆𝐸 =
𝑛
3. Nilai Tengah Galat Absolut ( Mean Absolute Error )
∑𝑛𝑖=1 |𝑒𝑖 | .......................................(2.18)

𝑀𝐴𝐸 =
𝑛
4. Nilai Tengah Galat Persentase Absolut ( Mean Absolute Percentage

Error )
∑𝑛𝑖=1 |𝑃𝐸𝑖 | ......................................(2.19)

𝑀𝐴𝑃𝐸 =
𝑛
5. Nilai Tengah Galat Persentase ( Mean Percentage Error )
∑𝑛𝑖=1 𝑃𝐸𝑖 ......................................(2.20)

𝑀𝑃𝐸 =
𝑛
6. Jumlah Kuadrat Galat ( Sum Square Error )
∑𝑛𝑖=1 𝑒𝑖2 ......................................(2.21)

𝑆𝑆𝐸 =
𝑛
7. Deviasi Standar Galat ( Standart Deviation of Error )
∑𝑛 𝑒 2 ......................................(2.22)
𝑆𝐷𝐸 = √ 𝑖=1 𝑖
(𝑛 − 1)
Dimana:
E = Xt− Ft (kesalahan pada periode ke – t)
X = data aktual pada periode ke – t
F = nilai ramalan pada periode ke – t
n = banyak periode waktu
Metode peramalan yang dipilih adalah metode peramalan yang

memberikan nilai error yang terkecil.

Modul 5 Forecasting
Kelompok 2
Menurut Lerbin R. Aritonang R.(2002:32) ada beberapa teknik

peramalanuntuk menggunakannya didasarkan pada kondisi data tertentu,
berukut 3 pendekatan yang dapat dijadikan dasar dalam memilih teknik
peramalan:
1. Pendekatan Otokorelasi
Peramalan yang digunakan diorientasikan pada waktu yang akan datang
didasarkan pengetahuan maupun peramalan pada waktu yang lalu.
2. Pendekatan Ukuran Simpangan PeramalanPemilihan teknik peramalan
juga didasarkan pada error(e) yang merupakan selisih nilai data yang
ada dengan nilai proyeksinya pada setiap periode peramalan. Error yang
digunakan sebagai ukuran simpangan peramalan berupa MSE (Mean
Square Error). Secara sederhana dapat diketahui bahwa besar MSE
berarti semakin besar selisih antara data historis yang ada (yang
sesungguhnya) dengan nilai proyeksinya, sebaliknya semakin kecil MSE
berarti semakin akurat peramalannya.
3. Pendekatan Horison Waktu
Menurut Hanke dan Reitsch (1995:117) selain berdasarkan hasil analisis
otokorelasi dan ukuran simpangan peramalan, teknik peramalan juga
dapat dipilih berdasarkan horizon waktu peramalannya.
- Fungsi Regresi
Digunakan untuk peramalan jangka pendek, menengah maupun
jangka panjang dan peramalannya bersifat kontinyu dengan asumsi
permintaan yang akandatang sama dengan permintaan yang lalu.
Fungsi regresi berupa fungsi konstan, fungsi linier dan fungsi
kuadratik.
2.9 Uji Kesalahan Peramalan (Uji Verifikasi)
Langkah penting setelah peramalan dilakukan adalah verifikasi
peramalan sedemikian rupa sehingga mencerminkan data masa lalu dan
sistem penyebab yang mendasari permintaan tersebut.Sepanjang
representasi peramalan tersebut dapat dipercaya, hasil peramalan dapat terus
digunakan. Jika selama proses verifikasitersebut ditemukan keraguan
validitas metode peramalan yang digunakan, harus dicari metode lainnya

Modul 5 Forecasting
Kelompok 2
yang lebih cocok. Validitas tersebut harus ditentukan dengan uji statistis
yang sesuai.
Setelah suatu peramalan dibuat, selalu timbul keraguan apakah perlu
dibuat suatu metode peramalan baru .Peramalan harus selalu dibandingkan
dengan permintaan aktual secara teratur.Pada suatu saat harus diambil
tindakan revisi peramalan apabila ditemukan bukti adanya perubahan pola
permintaan yang meyakinkan. Selain itu, penyebab perubahan pola
permintaan harus diketahui. Penyesuaian metode peramalan dilakukan
segera setelah perubahan pola permintaan diketahui. Terdapat banyak
perkakas yang dapat digunakan untuk memverifikasi peramalan dan
mendeteksi perubahan sistem penyebab yang melatarbelakangi perubahan
pola permintaan.Bentuk yang paling sederhana adalah peta kendali
peramalan, mirip dengan peta kendali kualitas. Peta kendali ini dapat dibuat
dengan ketersediaan data yang minim.
Adapun beberapa parameter analisis yang harus dipertimbangkan
dalam verifikasi metode analisis:
1. Akurasi
Akurasi atau kecermatan adalahukuran yang menunjukan derajat
kedekatan hasil analis dengan kadar analit yang sebenarnya.Terkadang
masalah dalam menentukan akurasi adalah ketidaktahuan terhadap nilai
yang sebenarnya.Dalam beberapa tipe sampel kita dapat menggunakan
sampel yang telah diketahui nilainya dan mengecek metode
pengukurankita gunakan untuk menganalisis sampel itu sehingga kita
mengetahui akurasi dari prosedur yang diujikan, metode ini disebut
dengan CRM (Certified Reference Method). Pendekatan lain adalah
dengan membandingkan hasilnya dengan hasil yang dilakukan oleh
laboratorium lain atau dengan menggunakan metode referen. Akurasi
juga dapat diketahui dengan melakukan uji peoleahan kembali
(recovery). Hasil uji ini akurasi dapat dinyatakan sebagai persen
perolehan kembali (recovery) analit yang ditambahkan pada sampel.
Rentang nilai penerimaan kecermatan suatu metode akan bervariasi
sesuai kebutuhannya.

Modul 5 Forecasting
Kelompok 2
2. Presisi
Presisi adalah ukuran yang menunjukkan derajat kesesuaian antara
hasil uji individual, diukur melalui penyebaran hasil individual dari rata-
rata jika prosedur diterapkan secara berulang pada sampel-sampel yang
diambil dari campuran yang homogen (Harmita, 2004). Presisi dapat
dibagi dalam dua kategori yaitu keterulangan atau ripitabilitas
(repeatability) dan ketertiruan (reproducibility). Ripitabilitas adalah nilai
presisi yang diperoleh jika seluruh pengukuran dihasilkan oleh satu
orang analis dalam satu periode tertentu, menggunakan pereaksi dan
peralatan yang sama dalam laboratorium yang sama. Ketertiruan adalah
nilai presisi yang dihasilkan pada kondisi yang berbeda, termasuk analis
yang berbeda, atau periode dan laboratorium yang berbeda dengan analis
yang sama.
Karena ketertiruan dapat memperbanyak sumber variasi, ketertiruan
dari analisis tidak akan lebih baik hasilnya dari nilai keterulangan.
Presisi dalam hal ripitabilitas diukur dengan menghitungrelative
standarddeviation atau simpangan baku relative (RSD) dari beberapa
ulangandan dari nilai simpangan baku tersebut dapat dihitung nilai
koefisien varian (KV). Dari nilai KV yang diperoleh dibandingkan
dengan KV Horwitz yaitu suatu kurva berbentuk terompet yang
menghubungkan reproducibilitas (presisi yang dinyatakan sebagai
%KV) dengan konsentrasi analit (Harvey, 2000).
3. Linieritas
Linieritas metode analisis menunjukkan kemampuan suatu metode
untuk memperoleh hasil uji, yang baik langsung maupun dengan definisi
transformasi matematis yang baik, proporsional dengan konsentrasi
analat dalam sampel pada range tertentu (Leyva, 2008). Linieritas dapat
diuji secara informal dengan membuat plot residual yang dihasilkan oleh
regresi linier pada respon konsentrasi dalam satu seri kalibrasi
(Thompson, 2002). Linieritas harus dievaluasi dengan pemeriksaan
visual terhadap plot absorbansi yang merupakan fungsi dari konsentrasi
analat.Jika hubungannya linier, hasil uji dievaluasi lebih lanjut secara

Modul 5 Forecasting
Kelompok 2
statistik dengan perhitungan garis regresi. Dalam penentuan linieritas,

sebaiknya menggunakan minimum lima konsentrasi. Rentang
penerimaan linieritas tergantung dari tujuan pengujian. Pada kondisi
yang umum, nilai koefisien regresi (r2) ≥ 0,99 (EMA, 1995).Sebagai
parameter adanya hubungan linier digunakan koefisien korelasi r pada
analisis regresi linier Y= aX+b. Hubungan linier yang ideal dicapai jika
nilai a=0 dan r=+1 atau -1 bergantung pada arah garis. Sedangkan b
menunjukan kepekaan analisis terutama instrumen yang digunakan.
Nilai koefisien korelasi yang memenuhi persyaratan adalah sebesar ≥
0,99970 (ICH, 1995), ≥ 97 (SNI) atau ≥ 0,9980(AOAC).
4. Limit Deteksi dan Limit Kuantitasi
Limit deteksi atau Limit of Detection (LOD) suatu metode analisis
adalah jumlah terkecil dari analit yang dapat dideteksi namun jumlah ini
belum tentu dapat dikuantisasi dengan presisi yang baik oleh metode
tersebut. Limit kuantitasi atau Limit of Quantitation (LOQ) yang disebut
juga limit determinasi adalah konsentrasi terendah dari analat yang dapat
ditentukan secara kuantitatif dengan presisi dan akurasi yang dapat
diterima. Giese dengan menentukan kurva kalibrasi menggunakan
sepuluh level konsentrasi, atau melakukan analisis blanko berulang.
Tetapi ada masalah dalam pendekatan menggunakan blanko karena
seringkali sulit diukur dan variasinya sangat tinggi. Lebih lanjut, nilai
yang didapat dengan pendekatan seperti ini tidak bergantung dari analit.
Limit deteksi hanya berguna untuk mengontrol ketidakmurnian yang
tidak diinginkan yang konsentrasinya harus tidak lebih dari level tertentu
dan mengontrol kontaminan dengan konsentrasi rendah, sedangkan
materi yang bermanfaat harus ada pada konsentrasi yang cukup tinggi
agar dapat menjadi fungsional. Limit deteksi dan kuantitasi seringkali
bergantung pada kemampuan instrumen (AOAC, 2002).
Limit deteksi dan limit kuantisasi, limit deteksi (LOD) adalah
konsentrasi terendah yang masih dapat terdeteksi oleh suatu alat. Besar
limit deteksi biasanya dinyatakan dengan nilai rata-rata blangko + 3 S,
dimana S adalah standar deviasi (simpangan baku) dari blangko.

Modul 5 Forecasting
Kelompok 2
Sedangkan limit kuantitasi adalah konsentrasi terendah yang dapat

ditentukan dengan besar presisi dan akurasi ynag dapat diterima. Besar
limit kuantitasi biasanya dinnyuatakan dengan nilai rata-rata blanko
+10 S.Cara lain untuk menentukan batas deteksi dan kuantitasi adalah
melalui penentuan rasio S/N (signal to noise ratio). Nilai simpangan
baku blanko ditentukan dengan cara menghitung tinggi derau pada
pengukuran blanko sebanyak 20 kali pada analit yang memberikan
respon (Harmita, 2004).
5. Uji t dan F
Uji signifikansi meliputi uji t-student dan uji F.Uji tmembandingkan
rata-rata ulangan yang dilakukan oleh dua metode dan membuat asumsi
dasar atau hipotesis nol, bahwa tidak ada perbedaan yang signifikan
antara nilai rata-rata dari dua set data (James, 1999). Uji t memberikan
jawaban ya atau tidak terhadap pembenaran dari hipotesis nol dengan
keyakinan yang pasti, seperti 95% atau bahkan 99%.Nilai kritik untuk t
didapat dari tabel pada derajat bebas yang tepat. Jika nilai t hitung lebih
besar dari nilai t tabel maka hipotesis nol dapat ditolak yang berarti
terdapat perbedaan yang signifikan antara dua metode.
Uji F atau uji rasio-varian digunakan untuk membandingkan antara
dua standar deviasi, yang berarti membandingkan pula ketelitian antara
dua metode. Asumsi dasar atau hipotesis nol dari uji ini adalah bahwa
tidak ada perbedaan yang signifikan antara dua standar deviasi.
Hipotesis nol ditolak jika nilai F hitung lebih besar dari nilai F tabel
yang berarti bahwa terdapat perbedaan yang signifikan antara ketelitian
dua metode.
6. Anova
Selain uji t dan F juga digunakan uji One Way Anova untuk menguji
apakah rata-rata lebih dari dua sampel berbeda secara signifikan atau
tidak. Hipotesis nol (H0) yaitu rata-rata populasi adalah identik,
sedangkan hipotesis tandingannya (H1) yaitu rata-rata populasi tidak
identik.H0 diterima jika nilai probabilitas > 0.05 dan H0 ditolak jika
probabilitas < 0.05 (Santoso 2000).

Modul 5 Forecasting
Kelompok 2
7. Bahan Acuan
Bahan acuan memainkan peranan penting untuk mengeahui akurasi
dalam melakukan validasi atau verifikasi. Bahan acuan disini dapat
diartikan sebaga bahan atau zat yang memiliki sifat-sifat tertentu yang
cukup homogen dan stabil yang telah ditetapkan untuk dapat digunakan
dalam pengukuran atau dalam pengujian suatu contoh. Bahan acuan
dapat digunakan untuk mengontrol presisi pengukuran walaupun bahan
acuan tidak memiliki nilai acuan(assigned value), sedangkan untuk
kalibrasi atau untuk mengontrol kebenaran pengukuran hanya bahan
acauan yang memiliki nilai acuan yang dapat digunakan (Dara, 2010).
Kalibrasi dan pengontrolan analisis sangat penting, karena menyangkut
kehandalan hasil pengujian.Untuk pengambilan keputusan yang krusial
diperlukan hasil pengujian yang dapat dipercaya (Nuryatini 2010).
Bahan acuan dapat dibagi menjadi dua yaitu Certified Reference
Material (CRM) dan Standard Reference Material (SRM). CRM dapat
ditelusur hingga standar internasional dengan ketidakpastian yang telah
diketahui dan oleh karena itu dapat digunakan untuk mengukur semua
aspek bias secara bersamaan, dengan asumsi bahwa tidak ada
ketidaksesuaian matriks. Perlu dipastikan bahwa nilai ketidakpastian
yang dimiliki cukup kecil sehingga dapat mendeteksi bias pada kisaran
tertentu. Tetapi jika nilainya tidak cukup kecil, penggunaan CRM masih
dianjurkan, tetapi dengan disertai dengan pengujian tambahan.Jika
diperlukan dan dapat dilakukan, sejumlah CRM yang sesuai dengan
matriks dan konsentrasi analit sebaiknya diujikan.
SRM dapat digunakan jika tidak ada CRM.SRM adalah material
yang telah dikarakterisasi dengan baik untuk tujuan validasi. Hal yang
perlu diperhatikan adalah jika nilai bias tidak signifikan, hal ini bukan
berarti merupakan bukti bahwa tidak adanya bias sama sekali. Akan
tetap jika terdapat bias yang signifikan, hal ini menandakan perlunya
investigasi lebih lanjut. SRM dapat berupa material yang telah
dikarakterisasi oleh produsen CRM tetapi tidak dilengkapi dokumen
mengenai nilai ketidakpastiannya atau material yang telah terkualifikasi

Modul 5 Forecasting
Kelompok 2
oleh sebuah manufakturer; materials yang dikarakterisasi dalam

laboratorium sebagai reference material, dan material yang
didistribusikan dalam proficiency test. Meskipun ketertelusuran dari
material tersebut dipertanyakan, jauh lebih baik untuk menggunakan
material tersebut dibandingkan tidak melakukan pengukuran terhadap
bias sama sekali. Material dapat digunakan dengan cara yang sama
seperti CRM, sekalipun tidak ada nilai ketidakpastian yang tercantum,
seluruh pengujian yang signifikan bergantung seluruhnya pada presisi
yang dapat diamati dari hasil (Thompson, 2002).
Berikut merupakan beberapa contoh penggunaan metode untuk
memverifikasi atau untuk menguji ketepatan ramalan (forecasting)
antara lain :
1. Cumulative of Forecast Error (CFE)
Cumulative of Forecast Error adalah jumlah secara keseluruhan atau
komulatif kesalahan di dalam sebuah metode peramalan yang
didapatkan secara manual dengan mengetahui jumlah forecast
errornya.
Berikut contoh perhitungan CFE :
Dik : error 2 : 725
error 3 : 323
error 4 : 526
4
𝐶𝐹𝐸4 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=2
𝐶𝐹𝐸4 = 𝑒𝑟𝑟𝑜𝑟2 + 𝑒𝑟𝑟𝑜𝑟3 + 𝑒𝑟𝑟𝑜𝑟4

𝐶𝐹𝐸4 = (725) + (323) + (526)
𝐶𝐹𝐸4 = 1574
2. Mean Absolute Deviation (MAD)
Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean
absolute percentage error, dan mean squared error semakin kecil.
MAD merupakan nilai total absolut dari forecast error dibagi
dengan data ataupun nilai kumulatif absolut dibagi dengan periode,
sehingga MAD dapat diformulasikan sebagai berikut :

Modul 5 Forecasting
Kelompok 2
∑(absolut dari 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟)

𝑀𝐴𝐷 =
𝑛
Berikut contoh perhitungan MAD :
Dik : error2 : 213
error3 : 443
error4 : 344
∑4𝑡=2|𝑒𝑟𝑟𝑜𝑟𝑡 |
𝑀𝐴𝐷4 =
3
|𝑒𝑟𝑟𝑜𝑟2 | + |𝑒𝑟𝑟𝑜𝑟3 | + |𝑒𝑟𝑟𝑜𝑟4 |
𝑀𝐴𝐷4 =
3
|(213)| + |(443)| + |(344)|

𝑀𝐴𝐷4 =
3
𝑀𝐴𝐷4 =427,106
3. Mean Squared 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 perbedaa yang besar.
Berikut adalah contoh perhitungannya:
Dik : error2 = 34
error3 = 42
error4 = 13
∑4𝑡=2 𝑒𝑟𝑟𝑜𝑟𝑡2
𝑀𝑆𝐸4 =
3
𝑒𝑟𝑟𝑜𝑟22 + 𝑒𝑟𝑟𝑜𝑟32 + 𝑒𝑟𝑟𝑜𝑟42
𝑀𝑆𝐸4 =
3
(34)2 + (42)2 + (13)2
𝑀𝑆𝐸4 =
3
𝑀𝑆𝐸4 = 3098

Modul 5 Forecasting
Kelompok 2
4. Percentage Error (PE)

Percentage Error merupakan Kesalahan persentase dari suatu
peramalan.
Berikut adalah contoh perhitungannya :
Dik : error4= 241
X4 = 9026,1
|𝑒𝑟𝑟𝑜𝑟4 |
𝑃𝐸4 = 𝑥 100
𝑋4
|241|
𝑃𝐸4 = 𝑥 100
9026,1
𝑃𝐸4 = 2,67%
5. 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.
Berikut contoh perhitungan MAPE :
Dik : PE2 : 5,2%
PE3 : 4,8%
PE4 : 5,2%
∑4𝑡=2 𝑃𝐸𝑡
𝑀𝐴𝑃𝐸4 =
3
𝑃𝐸2 + 𝑃𝐸3 + 𝑃𝐸4
𝑀𝐴𝑃𝐸4 =
3
5,2 + 4,8 + 5,2
𝑀𝐴𝑃𝐸4 =
3
𝑀𝐴𝑃𝐸4 = 5.67%

Modul 5 Forecasting
Kelompok 2
2.10 Uji Validasi

Validitas berasal dari kata validity yang mempunyai arti sejauh
mana ketepatan dan kecermatan suatu alat ukur dalam melakukam fungsi
ukurannya (Azwar 1986). Selain itu validitas adalah suatu ukuran yang
menunjukkan bahwa variabel yang diukur memang benar-benar variabel
yang hendak diteliti oleh peneliti (Cooper dan Schindler, dalam Zulganef,
2006). Sedangkan menurut Sugiharto dan Sitinjak (2006), validitas
berhubungan dengan suatu peubah mengukur apa yang seharusnya diukur.
Validitas dalam penelitian menyatakan derajat ketepatan alat ukur
penelitian terhadap isi sebenarnya yang diukur. Uji validitas adalah uji
yang digunakan untuk menunjukkan sejauh mana alat ukur yang
digunakan dalam suatu mengukur apa yang diukur. Ghozali (2009)
menyatakan bahwa uji validitas digunakan untuk mengukur sah, atau valid
tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan
pada kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur
oleh kuesioner tersebut.
Suatu tes dapat dikatakan memiliki validitas yang tinggi jika tes
tersebut menjalankan fungsi ukurnya, atau memberikan hasil ukur yang
tepat dan akurat sesuai dengan maksud dikenakannya tes tersebut. Suatu
tes menghasilkan data yang tidak relevan dengan tujuan diadakannya
pengukuran dikatakan sebagai tes yang memiliki validitas rendah.Sisi lain
dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu alat
ukur yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga
memiliki kecermatan tinggi. Arti kecermatan disini adalah dapat
mendeteksi perbedaan-perbedaan kecil yang ada pada atribut yang
diukurnya.
Dalam pengujian validitas terhadap kuesioner, dibedakan menjadi
2, yaitu validitas faktor dan validitas item. Validitas faktor diukur bila item
yang disusun menggunakan lebih dari satu faktor (antara faktor satu
dengan yang lain ada kesamaan). Pengukuran validitas faktor ini dengan
cara mengkorelasikan antara skor faktor (penjumlahan item dalam satu

Modul 5 Forecasting
Kelompok 2
faktor) dengan skor total faktor (total keseluruhan faktor).Validitas item

ditunjukkan dengan adanya korelasi atau dukungan terhadap item total
(skor total), perhitungan dilakukan dengan cara mengkorelasikan antara
skor item dengan skor total item. Bila kita menggunakan lebih dari satu
faktor berarti pengujian validitas item dengan cara mengkorelasikan antara
skor item dengan skor faktor, kemudian dilanjutkan mengkorelasikan
antara skor item dengan skor total faktor (penjumlahan dari beberapa
faktor).
Dari hasil perhitungan korelasi akan didapat suatu koefisien
korelasi yang digunakan untuk mengukur tingkat validitas suatu item dan
untuk menentukan apakah suatu item layak digunakan atau tidak. Dalam
penentuan layak atau tidaknya suatu item yang akan digunakan, biasanya
dilakukan uji signifikansi koefisien korelasi pada taraf signifikansi 0,05,
artinya suatu item dianggap valid jika berkorelasi signifikan terhadap skor
total. Untuk melakukan uji validitas ini menggunakan program SPSS.
Teknik pengujian yang sering digunakan para peneliti untuk uji validitas
adalah menggunakan korelasi Bivariate Pearson (Produk Momen
Pearson). Analisis ini dengan cara mengkorelasikan masing-masing skor
item dengan skor total. Skor total adalah penjumlahan dari keseluruhan
item. Item-item pertanyaan yang berkorelasi signifikan dengan skor total
menunjukkan item-item tersebut mampu memberikan dukungan dalam
mengungkap apa yang ingin diungkap à Valid. Jika r hitung ≥ r tabel (uji 2
sisi dengan sig. 0,05) maka instrumen atau item-item pertanyaan
berkorelasi signifikan terhadap skor total (dinyatakan valid).

Modul 5 Forecasting
Kelompok 2
BAB III
PENGOLAHAN DATA DAN PEMBAHASAN
3.1 Pengumpulan Data Historis Sebelum Konversi dan Sesudah Konversi

Berikut adalah tabel data historis penjualan produk mobil mainan
Tamiya Putih dan Tamiya hitam sebelum dikonversi pada PT. ROLEX dalam
24 bulan terakhir :
Tabel 3.1 Data Historis Sebelum Konversi
Tamiya
Periode
Putih Hitam
1 6127 4434
2 6319 3663
3 5493 4876
4 6370 4590
5 5389 5286
6 6990 4225
7 5460 4949
8 5514 4666
9 6479 4263
10 5782 4046
11 5799 3995
12 5487 4050
13 5635 4476
14 5538 3696
15 6688 3167
16 6488 3658
17 5209 3687
18 6286 4609
19 5367 5196
20 6313 4036
21 5631 4764
22 5268 5306
23 5332 3656
24 6029 3633
Diatas merupakan data penjualan yang belum dikonversi dan untuk mendapatkan
data penjualan yang dikonversikan menjadi suatu agregat, maka dilakukan dengan
mengalikan setiap jumlah penjualan pada suatu periode dengan nilai faktor
konversi, yaitu Tamiya putih = 1 dan Tamiya hitam = 1,416. Contoh agregasi
untuk periode 1 sebagai berikut.

Modul 5 Forecasting
Kelompok 2
Tamiya putih × 1 + Tamiya hitam × 1,416 = 6.127 × 1 + 4.434 × 1,416
= 12.405,544 = 12.406
Tabel 3.2 Data Historis Sesudah Konversi
Tamiya Hasil
Periode
Putih Hitam Konversi
1 6127 6278,544 12406
2 6319 5186,808 11506
3 5493 6904,416 12397
4 6370 6499,44 12869
5 5389 7484,976 12874
6 6990 5982,6 12973
7 5460 7007,784 12468
8 5514 6607,056 12121
9 6479 6036,408 12515
10 5782 5729,136 11511
11 5799 5656,92 11456
12 5487 5734,8 11222
13 5635 6338,016 11973
14 5538 5233,536 10772
15 6688 4484,472 11172
16 6488 5179,728 11668
17 5209 5220,792 10430
18 6286 6526,344 12812
19 5367 7357,536 12725
20 6313 5714,976 12028
21 5631 6745,824 12377
22 5268 7513,296 12781
23 5332 5176,896 10509
24 6029 5144,328 11173
3.2 Pengolahan Data

3.2.1 Potting Data
Berikut ini merupakan plotting data berdasarkan data historis
penjualan produk mobil mainan Tamiya Putih dan Tamiya Hitam yang
telah dikonversi, yaitu pada tabel 3.2. Plotting data yang berupa grafik
menunjukkan jumlah penjualan dalam setiap periode dalam 24 bulan
terakhir.

Modul 5 Forecasting
Kelompok 2
Hasil Konversi
14000
12000
10000
8000
6000 Hasil Konversi
4000
2000
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Gambar 3.1 Plotting Data

Berdasarkan plotting data yang telah dilakukan, maka
grafik di atas menunjukkan bahwa penjualan Tamiya PT. ROLEX
memiliki pola data seasonal atau musiman mempunyai pola musim
yang berulang dari periode ke periode berikutnya, misalnya terjadi
pengulangan musim pada bulan tertentu.
3.2.2 Peramalan dengan Beberapa Metode
Berdasarkan hasil plotting data yang berupa grafik 3.1 tersebut,
maka sudah diketahui pola data penjualan Tamiya putih dan Tamiya
hitam, maka akan dilakukan peramalan (forecasting) dengan
menggunakan 7 metode, di antaranya metode Simple Average, Single
Moving Average, Weighted Moving Average, Centered Moving
Average, Single Exponential Smoothing, Double Exponential
Smoothing, dan Linier Regresi.
a) Metode Simple Average
Metode Simple Average adalah metode peramalan yang
menghitung rata-rata seluruh data masa lalu untuk mendapatkan
hasil peramalan masa depan, dapat diformulasikan sebagai berikut :
∑𝑛𝑡=1 𝑋𝑡
𝐹𝑛 =
𝑛−1
𝑋1 + 𝑋2 + ⋯ + 𝑋15
𝐹16 =
16 − 1
𝐹16 = 12016

Modul 5 Forecasting
Kelompok 2
Berikut ini merupakan contoh perhitungan error, error mutlak,

dan error kuadrat, sebagai berikut :
𝑒𝑟𝑟𝑜𝑟16 = 𝐷𝑒𝑚𝑎𝑛𝑑16 − 𝐹𝑜𝑟𝑐𝑒𝑠𝑡16
𝑒𝑟𝑟𝑜𝑟16 = 11668 − 12016
𝑒𝑟𝑟𝑜𝑟16 = −348
|𝑒𝑟𝑟𝑜𝑟16 | = 𝑒𝑟𝑟𝑜𝑟16
|𝑒𝑟𝑟𝑜𝑟16 | = 348
𝑒𝑟𝑟𝑜𝑟16 2 = 3482
𝑒𝑟𝑟𝑜𝑟16 2 = 121057
Berikut ini merupakan contoh perhitungan Percentage Error

(PE), Percentage Error Mutlak (|PE|), Mean Square Error (MSE),
Mean Absolute Deviation (MAD), Mean Absolute Percentage Error
(MAPE), dan Cumulative Forecast Error (CFE) :
𝑒𝑟𝑟𝑜𝑟16
𝑃𝐸16 = 𝑥 100
𝑋16
−348
𝑃𝐸16 = 𝑥 100
11668
𝑃𝐸16 = −2,9820099%
|𝑃𝐸16 | = 𝑃𝐸16
|𝑃𝐸16 | = −2,9820099%
|𝑃𝐸16 | = 2,9820099%
∑16
𝑡=2 𝑒𝑟𝑟𝑜𝑟𝑡
2
𝑀𝑆𝐸16 =
16 − 1
2
𝑒𝑟𝑟𝑜𝑟22 + 𝑒𝑟𝑟𝑜𝑟32 + ⋯ + 𝑒𝑟𝑟𝑜𝑟15 2
+ 𝑒𝑟𝑟𝑜𝑟16
𝑀𝑆𝐸16 =
15
(−900)2 + (442)2 + ⋯ + (−903)2 + (−348)2
𝑀𝑆𝐸16 =
15
𝑀𝑆𝐸16 =546435,05
∑16
𝑡=2|𝑒𝑟𝑟𝑜𝑟𝑡 |
𝑀𝐴𝐷16 =
16 − 1
|𝑒𝑟𝑟𝑜𝑟2 + 𝑒𝑟𝑟𝑜𝑟3 + ⋯ + 𝑒𝑟𝑟𝑜𝑟15 + 𝑒𝑟𝑟𝑜𝑟16 |
𝑀𝐴𝐷16 =
15

Modul 5 Forecasting
Kelompok 2
|(−900) + (442) + ⋯ + (−903) + (−348)|

𝑀𝐴𝐷16 =
15
𝑀𝐴𝐷16 =634,61
∑16
𝑡=2 |𝑃𝐸𝑡 |
𝑀𝐴𝑃𝐸16 =
16 − 1
|𝑃𝐸2 | + |𝑃𝐸3 | + ⋯ + |𝑃𝐸15 | + |𝑃𝐸16 |
15
𝑀𝐴𝑃𝐸16
(−7,8198419) + (3,563161) + ⋯ + (−8,086) + (2,98)
=
15
𝑀𝐴𝑃𝐸16 = 5,44%
16
𝑡=2
𝐶𝐹𝐸16 = 𝑒𝑟𝑟𝑜𝑟2 + 𝑒𝑟𝑟𝑜𝑟3 + ⋯ + 𝑒𝑟𝑟𝑜𝑟15 + 𝑒𝑟𝑟𝑜𝑟16
𝐶𝐹𝐸16 = (−900) + (442) + ⋯ + (−903) + (−348)
𝐶𝐹𝐸16 = −4692,00

Modul 5 Forecasting
Kelompok 2
Tabel 3.3 Metode Simple Average

Periode Demand Peramalan e |e| e2 PE | PE | MSE MAD MAPE CFE
1 12406
2 11506 12406 -900 900 809525 -7,8198419 7,8198419 809524,87 899,74 7,8198419 -899,74
3 12397 11956 442 442 195134 3,5631619 3,5631619 502329,55 670,74 5,6915019 -458,00
4 12869 12103 767 767 587549 5,9561048 5,9561048 530735,97 702,66 5,7797029 308,52
5 12874 12295 579 579 335732 4,5007385 4,5007385 481985,02 671,85 5,4599618 887,95
6 12973 12410 562 562 316027 4,3334659 4,3334659 448793,51 649,92 5,2346626 1450,11
7 12468 12504 -36 36 1321 -0,2915247 0,2915247 374214,77 547,65 4,4108063 1413,76
8 12121 12499 -378 378 142795 -3,117569 3,117569 341154,81 523,40 4,2260581 1035,88
9 12515 12452 64 64 4058 0,5090126 0,5090126 299017,75 465,94 3,7614274 1099,58
10 11511 12459 -948 948 898032 -8,2324224 8,2324224 365574,85 519,46 4,2582046 151,94
11 11456 12364 -908 908 824640 -7,926878 7,926878 411481,35 558,33 4,625072 -756,16
12 11222 12281 -1060 1060 1122885 -9,4428928 9,4428928 476154,38 603,90 5,0630557 -1815,82
13 11973 12193 -220 220 48462 -1,8386456 1,8386456 440513,36 571,92 4,7943548 -2035,96
14 10772 12176 -1405 1405 1973147 -13,040734 13,040734 558408,23 635,98 5,4286917 -3440,65
15 11172 12076 -903 903 816162 -8,0860939 8,0860939 576819,18 655,08 5,6185062 -4344,07
16 11668 12016 -348 348 121057 -2,9820099 2,9820099 546435,05 634,61 5,4427397 -4692,00
17 10430 11994 -1564 1564 2446481 -14,996684 14,996684 665187,91 692,70 6,0398613 -6256,12
18 12812 11902 910 910 828894 7,1059303 7,1059303 674817,69 705,51 6,1025712 -5345,68
19 12725 11952 772 772 596059 6,0673996 6,0673996 670442,19 709,21 6,1006172 -4573,64
20 12028 11993 35 35 1215 0,2897771 0,2897771 635219,70 673,71 5,7947836 -4538,78
21 12377 11995 382 382 145893 3,0860874 3,0860874 610753,37 659,13 5,6593487 -4156,82
22 12781 12013 768 768 590197 6,0106819 6,0106819 609774,51 664,32 5,6760789 -3388,58

Modul 5 Forecasting
Kelompok 2
Tabel 3.3 Metode Simple Average (lanjutan)

23 10509 12048 -1539 1539 2368758 -14,645469 14,645469 689728,32 704,08 6,0837784 -4927,66
24 11173 11981 -808 808 652426 -7,2290789 7,2290789 688106,47 708,59 6,1335741 -5735,39
25 11947
26 11947
27 11947
28 11947
29 11947
30 11947
31 11947
32 11947
33 11947
34 11947
35 11947
36 11947
Total 286737,63 423436,29 -5735,39 16297,57 15826449 -58,23 141,07 12407173 14828,44 125,21 -51017,31

Modul 5 Forecasting
Kelompok 2
Berdasarkan hasil peramalan dengan menggunakan metode Simple

Average terdapat data peramalan dari periode 1 sampai dengan periode
ke-36 dapat dilihat pada grafik dibawah ini :
Metode Simple Average

14000
13000
12000 Demand
Peramalan
11000
10000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Gambar 3.2 Grafik Metode Simple Average
b) Metode Single Moving Average

Metode Single Moving Average merupakan suatu metode peramalan
yang dilakukan dengan mengambil sekelompok nilai pengamatan,
mencari nilai rata-rata tersebut sebagai ramalan untuk periode yang akan
datang, dapat diformulasikan sebagai berikut
𝑋𝑡−4 + 𝑋𝑡−3 + 𝑋𝑡−2 + 𝑋𝑡−1
𝐹𝑡 =
4
𝑋12 + 𝑋13 + 𝑋14 + 𝑋15

𝐹16 =
4
16562 + 16344 + 14547 + 15251
𝐹16 =
4
𝐹16 = 16185
Berikut ini merupakan contoh perhitungan error, error mutlak, dan

error kuadrat, sebagai berikut :
𝑒𝑟𝑟𝑜𝑟16 = 𝐷𝑒𝑚𝑎𝑛𝑑16 − 𝐹𝑜𝑟𝑐𝑒𝑠𝑡16 |𝑒𝑟𝑟𝑜𝑟16 | = 87
𝑒𝑟𝑟𝑜𝑟16 = 16272 − 15185 |𝑒𝑟𝑟𝑜𝑟16 | = 87
𝑒𝑟𝑟𝑜𝑟16 = 87 𝑒𝑟𝑟𝑜𝑟16 2 = 872
|𝑒𝑟𝑟𝑜𝑟16 | = 𝑒𝑟𝑟𝑜𝑟16 𝑒𝑟𝑟𝑜𝑟16 2 = 7569

Modul 5 Forecasting
Kelompok 2
Berikut ini merupakan contoh perhitungan Percentage Error (PE),

Percentage Error Mutlak (|PE|), Mean Square Error (MSE), Mean
Absolute Deviation (MAD), Mean Absolute Percentage Error (MAPE),
dan Cumulative Forecast Error (CFE) :
𝑃𝐸16 = 𝑥 100
𝑋16
383
𝑃𝐸16 = 𝑥 100
11668
𝑃𝐸16 = 3,28%
|𝑃𝐸16 | = 𝑃𝐸16
|𝑃𝐸16 | = 3,28%
𝑀𝑆𝐸16
𝑒𝑟𝑟𝑜𝑟52 + 𝑒𝑟𝑟𝑜𝑟62 + ⋯ + 𝑒𝑟𝑟𝑜𝑟15
2 2
=
12
𝑀𝑆𝐸16
(579)2 + (561)2 + ⋯ + (−183)2 + (383)2
=
12
𝑀𝑆𝐸16 =336265,79
∑16
𝑀𝐴𝐷16 =
16 − 4
𝑀𝐴𝐷16
|𝑒𝑟𝑟𝑜𝑟5 | + |𝑒𝑟𝑟𝑜𝑟6 | + ⋯ + |𝑒𝑟𝑟𝑜𝑟15 | + |𝑒𝑟𝑟𝑜𝑟16 |
=
12
𝑀𝐴𝐷16
|(579) + (561) + ⋯ + (−183) + (383)|
=
12
𝑀𝐴𝐷16 =519,70

Modul 5 Forecasting
Kelompok 2
∑16
16 − 4
|𝑃𝐸5 | + |𝑃𝐸6 | + ⋯ + |𝑃𝐸15 | + |𝑃𝐸16 |
12
(4,50) + (1,25) + ⋯ + (1,63) + (3,28)
15
𝑀𝐴𝑃𝐸16 = 4,42%
16
𝑡=5

𝐶𝐹𝐸16 = (579) + (561) + ⋯ + (−183) + (383)
𝐶𝐹𝐸16 = −2595,69

Modul 5 Forecasting
Kelompok 2
Tabel 3.4 Metode Single Moving Average

1 12406
2 11506
3 12397
4 12869
5 12874 12295 579 579 335732 4,500738544 4,500738544 335732,17 579,42 4,500739 579,42
6 12973 12412 561 561 314654 4,324036816 4,324036816 325192,93 570,18 4,412388 1140,36
7 12468 12778 -311 311 96456 -2,491012035 2,491012035 248947,35 483,65 3,771929 829,79
8 12121 12796 -675 675 455482 -5,567947215 5,567947215 300580,99 531,46 4,220934 154,90
9 12515 12609 -93 93 8732 -0,746647652 0,746647652 242211,23 443,86 3,526076 61,45
10 11511 12519 -1008 1008 1016217 -8,757398054 8,757398054 371212,23 537,89 4,397963 -946,63
11 11456 12154 -698 698 487101 -6,092273689 6,092273689 387767,72 560,75 4,640008 -1644,55
12 11222 11901 -679 679 461150 -6,051435599 6,051435599 396940,46 575,54 4,816436 -2323,63
13 11973 11676 297 297 88179 2,480160387 2,480160387 362633,67 544,59 4,556850 -2026,68
14 10772 11540 -769 769 591256 -7,138554798 7,138554798 385495,94 567,02 4,815020 -2795,61
15 11172 11356 -183 183 33524 -1,638813684 1,638813684 353498,51 532,12 4,526274 -2978,71
16 11668 11285 383 383 146706 3,282747078 3,282747078 336265,79 519,70 4,422647 -2595,69
17 10430 11396 -966 966 933921 -9,265726488 9,265726488 382239,28 554,06 4,795192 -3562,08
18 12812 11010 1802 1802 3247067 14,0642649 14,0642649 586869,84 643,19 5,457268 -1760,12
19 12725 11521 1204 1204 1449500 9,461657384 9,461657384 644378,54 680,58 5,724228 -556,17

Modul 5 Forecasting
Kelompok 2
Tabel 3.4 Metode Single Moving Average (lanjutan)

Periode Demand Peramalan E |e| e2 PE | PE | MSE MAD MAPE CFE
20 12028 11909 119 119 14251 0,992486184 0,992486184 604995,55 645,50 5,428494 -436,79
21 12377 11999 378 378 143006 3,055404197 3,055404197 577819,72 629,78 5,288900 -58,63
22 12781 12485 296 296 87543 2,314913918 2,314913918 550582,10 611,23 5,123679 237,24
23 10509 12478 -1969 1969 3876024 -18,73424192 18,73424192 725605,35 682,68 5,840024 -1731,52
24 11173 11924 -750 750 563130 -6,716172657 6,716172657 717481,59 686,06 5,883832 -2481,94
25 11710,09
26 11710,09
27 11710,09
28 11710,09
29 11710,09
30 11710,09
31 11710,09
32 11710,09
33 11710,09
34 11710,09
35 11710,09
36 11710,09
Total 286737,63 380562,39 -2481,94 13721,27 14349632 -28,72 117,68 8836451 11579,27 96,15 -22895,59

Modul 5 Forecasting
Kelompok 2
Berdasarkan hasil peramalan dengan menggunakan metode Single

Moving Average terdapat data peramalan dari periode ke-1 sampai
dengan periode ke-36 dapat dilihat pada grafik dibawah ini :
Metode Single Moving Average

13500
13000
12500
12000
Demand
11500
Peramalan
11000
10500
10000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Gambar 3.3 Grafik Metode Single Moving Average
c) Metode Weighted Moving Average

Metode Weighted Moving Average mem-forecast dengan beberapa
data terakhir dengan memberikan bobot yang berbeda-beda.
Semakin besar tingkat akurasi maka bobot yang diberikan juga
semakin besar dan total dalam pemberian bobot adalah maksimal 1.
Metode WMA dapat diformulasikan sebagai berikut :
(𝑋𝑡−4 𝑥 𝑏1 ) + (𝑋𝑡−3 𝑥 𝑏2 ) + (𝑋𝑡−2 𝑥 𝑏3 ) + (𝑋𝑡−1 𝑥𝑏4 )

𝐹𝑡 =
10
Dibawah ini merupakan contoh perhitungan peramalan dengan

menggunakan metode weight moving average, sebagai berikut :
(𝑋12 𝑥 𝑏1 ) + (𝑋13 𝑥 𝑏2 ) + (𝑋14 𝑥 𝑏3 ) + (𝑋15 𝑥𝑏4 )

𝐹16 =
10
(11222 𝑥 0,2) + (11973 𝑥 0,3) + (10772 𝑥 0,35) + (11172𝑥0,15)

𝐹16 =
10
𝐹16 = 11282

Modul 5 Forecasting
Kelompok 2
Berikut ini merupakan contoh perhitungan error, error mutlak,

dan error kuadrat, sebagai berikut :
𝑒𝑟𝑟𝑜𝑟16 = 𝐷𝑒𝑚𝑎𝑛𝑑16 − 𝐹𝑜𝑟𝑐𝑒𝑠𝑡16
𝑒𝑟𝑟𝑜𝑟16 = 11668 − 11282
𝑒𝑟𝑟𝑜𝑟16 = 817
|𝑒𝑟𝑟𝑜𝑟16 | = 𝑒𝑟𝑟𝑜𝑟16
|𝑒𝑟𝑟𝑜𝑟16 | = 386
𝑒𝑟𝑟𝑜𝑟16 2 = 3862
𝑒𝑟𝑟𝑜𝑟16 2 = 148653
Berikut ini merupakan contoh perhitungan Percentage Error

(PE), Percentage Error Mutlak (|PE|), Mean Square Error (MSE),
Mean Absolute Deviation (MAD), Mean Absolute Percentage Error
(MAPE), dan Cumulative Forecast Error (CFE) :
𝑃𝐸16 = 𝑥 100
𝑋16
386
𝑃𝐸16 = 𝑥 100
11668
𝑃𝐸16 = 3,30%
|𝑃𝐸16 | = 𝑃𝐸16
|𝑃𝐸16 | = 3,30%
∑16
𝑡=5 𝑒𝑟𝑟𝑜𝑟𝑡
2
𝑀𝑆𝐸16 =
16 − 4
2 2
𝑀𝑆𝐸16 =
12
(672) + (517) + ⋯ + (−2,92)2 + (386)2
2 2
𝑀𝑆𝐸16 =
12
𝑀𝑆𝐸16 =348301

Modul 5 Forecasting
Kelompok 2
∑16
𝑀𝐴𝐷16 =
16 − 4
|𝑒𝑟𝑟𝑜𝑟5 | + |𝑒𝑟𝑟𝑜𝑟6 | + ⋯ + |𝑒𝑟𝑟𝑜𝑟15 | + |𝑒𝑟𝑟𝑜𝑟16 |
𝑀𝐴𝐷16 =
12
|(672) + (517) + ⋯ + (292) + (386)|

𝑀𝐴𝐷16 =
12
𝑀𝐴𝐷16 =541,00
∑16
16 − 4
|𝑃𝐸5 | + |𝑃𝐸6 | + ⋯ + |𝑃𝐸15 | + |𝑃𝐸16 |
12
(5,21) + (3,98) + ⋯ + (2,60) + (53,30)
15
𝑀𝐴𝑃𝐸16 = 4,59%
16
𝑡=5
𝐶𝐹𝐸16 = (672) + (517) + ⋯ + (−292) + (386)
𝐶𝐹𝐸16 = −2696,56

Modul 5 Forecasting
Kelompok 2
Tabel 3.5 Metode Weighted Moving Average

Periode Demand Bobot Peramalan E |e| e2 PE | PE | MSE MAD MAPE CFE
1 12406 0,2
2 11506 0,3
3 12397 0,35
4 12869 0,15
5 12874 12202 672 672 451064 5,2168281 5,2168281 451064 671,61 5,2168281 671,61
6 12973 12456 517 517 267096 3,9838830 3,9838830 359080 594,21 4,6003555 1188,43
7 12468 12792 -324 324 105179 -2,6012064 2,6012064 274446 504,25 3,9339725 864,11
8 12121 12847 -726 726 526499 -5,9862969 5,9862969 337459 559,59 4,4470536 138,51
9 12515 12648 -133 133 17702 -1,0630896 1,0630896 273508 474,28 3,7702608 5,46
10 11511 12455 -943 943 890004 -8,1955421 8,1955421 376257 552,47 4,5078077 -937,94
11 11456 12237 -781 781 609987 -6,8175825 6,8175825 409647 585,12 4,8377755 -1718,96
12 11222 11926 -704 704 496066 -6,2763478 6,2763478 420450 600,02 5,0175971 -2423,27
13 11973 11649 324 324 104815 2,7040104 2,7040104 385379 569,32 4,7605319 -2790,57
14 10772 11463 -691 691 477550 -6,4155159 6,4155159 394596 581,49 4,9260303 -2790,57
15 11172 11464 -292 292 84994 -2,6094315 2,6094315 366451 555,13 4,7154304 -3082,11
16 11668 11282 386 386 148653 3,3044548 3,3044548 348301 541,00 4,5978491 -2696,56
17 10430 11287 -857 857 734100 -8,2148944 8,2148944 377978 565,29 4,8760833 -3553,35
18 12812 11154 1658 1658 2749367 12,9415944 12,9415944 547363 643,35 5,4521913 -1895,23
19 12725 11307 1417 1417 2009149 11,1394584 11,1394584 644815 694,96 5,8313424 -477,79
20 12028 11855 172 172 29753 1,4340900 1,4340900 606374 662,30 5,5565141 -305,29
21 12377 12187 189 189 35864 1,5301050 1,5301050 572814 634,49 5,3196665 -115,92

Modul 5 Forecasting
Kelompok 2
Tabel 3.5 Metode Weighted Moving Average (lanjutan)

Periode Demand Bobot Peramalan E |e| e2 PE | PE | MSE MAD MAPE CFE
22 12781 12446 335 335 112326 2,6222004 2,6222004 547232 617,86 5,1698073 219,24
23 10509 12402 -1893 1893 3585292 -18,0179421 18,0179421 707129 684,99 5,8460249 -1674,25
24 11173 12168 -995 995 990229 -8,9060520 8,9060520 721284 700,50 5,9990263 -2669,35
25 11664
26 11664
27 11664
28 11664
29 11664
30 11664
31 11664
32 11664
33 11664
34 11664
35 11664
36 11664
Total 286737,63 1,00 380195,17 -2669,35 14009,99 14425689 -30,23 119,98 9121627 11992,23 99,38 -24043,81

Modul 5 Forecasting
Kelompok 2
Berdasarkan hasil peramalan dengan menggunakan metode

Weighted Moving Average terdapat data peramalan dari periode ke-1
sampai dengan periode ke-36 dapat dilihat pada grafik dibawah ini :
Metode Weighted Moving Average

13500
13000
12500
12000
Demand
11500
Peramalan
11000
10500
10000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Gambar 3.4 Grafik Metode Weighted Moving Average

d) Metode Centered Moving Average
Metode Centered Moving Average perhitungannya diletakkan pada
pertengahan periode yang digunakan untuk menghitung nilai rata-
ratanya ataupun memprediksi jumlah demand pada periode tertentu
dengan menghitung jumlah dari demand pada periode tersebut
dengan demand pada periode sebelum dan sesudahnya dan dapat
diformulasikan sebagai berikut :
Y L−1 + ⋯ Y𝑡 + ⋯ + Y L−1
𝑡−( ) 𝑡+( )
2 2
CMA𝑡 =
L
X2 + X3 + X4 11506 + 12397 + 12869
CMA3 = = = 12258
L 3
Kemudian error dihitung, yaitu nilai selisih antara demand dan

peramalan, atau dapat diformulasikan sebagai berikut:
Errorn = Demandn − Forecast n
e3 = X3 − F3 = 12397 − 12258 = 139,86
|e3 | = 139,86
e23 = 19561,19

Modul 5 Forecasting
Kelompok 2
Setelah memperoleh nilai error, besarnya kesalahan terhadap

peramalan dihitung dengan beberapa metode yaitu PE, MSE, MAD,
MAPE dan CFE. Berikut ini adalah rumus yang digunakan dalam
perhitungan keempat metode tersebut:
|error𝑛 |
1. PE𝑛 = × 100%
X𝑛
|e3 | 139,86
PE3 = × 100% = × 100% = 1,12%
d3 12397
|PE3 | = 0,66%
∑𝑛 2
𝑡=2 error𝑡
2. MSE𝑛 = 𝑛−1
e22 + e23 356545,93 + 19561,19

MSE3 = = = 188053,56
𝑛 2
∑𝑛
𝑡=2|error𝑡 |
3. MAD𝑛 = 𝑛−1
|e2 | + |e3 | 597,11 + 139,89

MAD3= = = 368,48
𝑛 2
∑𝑛
𝑡=2 PE𝑡
4. MAPE𝑛 = 𝑛−1
|PE2 | + |PE3 | 5,18% + 1,13%
MAPE3 = = = 3,15%
𝑛 2
5. CFE𝑛 = ∑𝑛𝑡=2 error𝑡

CFE3 = e2 + e3 = −597,11 + 139,86 = −457,25

Modul 5 Forecasting
Kelompok 2
Tabel 3.6 Metode Centered Moving Average
Periode Demand Peramalan e |e| e^2 PE |PE| MSE MAD MAPE CFE
1 12406
2 11506 12103 -597,1147 597,1147 356545,93 -5,189680 5,1896804 356545,93 597,11467 5,1896804 -597,11467
3 12397 12258 139,8613 139,8613 19561,193 1,1281491 1,1281491 188053,56 368,488 3,1589148 -457,25333
4 12869 12714 155,8293 155,8293 24282,781 1,2108478 1,2108478 133463,3 297,60178 2,5095591 -301,424
5 12874 12905 -31,3627 31,3627 983,61686 -0,2436129 0,2436129 100343,38 231,042 1,9430726 -332,78667
6 12973 12771 201,1467 201,1467 40459,982 1,5505501 1,5505501 88366,699 225,06293 1,8645681 -131,64
7 12468 12520 -52,6960 52,6960 2776,8684 -0,4226573 0,4226573 74101,728 196,33511 1,6242496 -184,336
8 12121 12368 -247,0267 247,0267 61022,174 -2,0379962 2,0379962 72233,22 203,57676 1,6833563 -431,36267
9 12515 12049 466,2080 466,2080 217349,9 3,7250723 3,7250723 90372,805 236,40567 1,9385708 34,845333
10 11511 11827 -316,3520 316,3520 100078,59 -2,7482257 2,7482257 91451,225 245,28859 2,0285324 -281,50667
11 11456 11396 59,6347 59,6347 3556,2935 0,5205576 0,5205576 82661,732 226,7232 1,877735 -221,872
12 11222 11550 -328,4453 328,4453 107876,34 -2,9268507 2,9268507 84953,969 206,112 1,9731091 -550,31733
13 11973 11322 650,8987 650,8987 423669,07 5,4363802 5,4363802 113180,23 270,548 2,261715 100,58133
14 10772 11306 -534,1387 534,1387 285304,12 -4,9587976 4,9587976 117390,49 290,82421 2,4691829 -433,55733
15 11172 11204 -31,4400 31,4400 988,4736 -0,2814059 0,2814059 117461,09 272,29676 2,3129131 -464,99733
16 11668 11090 577,7307 577,7307 333772,72 4,9515267 4,9515267 131881,87 292,65902 2,4888207 112,73333
17 10430 11637 -1206,8293 1206,8293 1456437 -11,570982 11,5709818 214666,57 349,79467 3,0564558 -1094,096
18 12812 11989 823,4533 823,4533 678075,39 6,4270311 6,4270311 241925,91 48,438431 3,2547249 -270,64267
19 12725 12522 202,9173 202,9173 41175,444 1,5946934 1,5946934 230773,11 367,94919 3,1625009 -67,725333
20 12028 12376 -348,4693 348,4693 121430,88 -2,8971569 2,8971569 225018,25 366,92393 3,1485355 -416,19467
21 12377 12395 -18,5413 18,5413 343,78104 -0,1498069 0,1498069 213784,53 349,5048 2,998599 -434,736

Modul 5 Forecasting
Kelompok 2
Tabel 3.6 Metode Centered Moving Average (lanjutan)

Periode Demand Peramalan E |e| e^2 PE |PE| MSE MAD MAPE CFE
22 12781 11889 892,2907 892,2907 796182,63 6,9812221 6,9812221 241517,77 375,35175 3,1882478 457,55467
23 10509 11488 -978,9440 978,9440 958331,36 -9,3153838 9,3153838 274100,21 402,78776 3,4667539 -521,38933
24 11173 11488 -314,5120 314,5120 98917,798 -2,8148462 2,8148462 266483,58 398,94968 3,4384101 -835,90133
25 11488
26 11488
27 11488
28 11488
29 11488
30 11488
31 11488
32 11488
33 11488
34 11488
35 11488
36 11488
Total 286737,63 413022,07 -835,90133 9175,8427 6129122,4 -12,031372 79,083433 3750731,1 6819,7789 61,038208 -7323,1387

Modul 5 Forecasting
Kelompok 2

Centered Moving Average terdapat data peramalan dari periode ke-1
Metode Centered Moving Average

13500
13000
12500
12000
Demand
11500
Peramalan
11000
10500
10000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Gambar 3.5 Grafik Metode Centered Moving Average
e) Metode Single Exponential Smoothing

Metode Exponential Smoothing dihitung berdasarkan hasil
peramalan ditambah dengan peramalan periode sebelumnya (jangka
pendek) dengan mengalikannya dengan suatu besaran yang disebut
konstanta pemulusan. Dapat diformulasikan sebagai berikut :
𝐹5 = (∝ 𝑥 𝑋5−1 ) + ((1−∝) 𝑥 𝐹5−1 )

𝐹5 = (∝ 𝑥 𝑋4 ) + ((1−∝) 𝑥 𝐹4 )
𝐹5 = (0,1 𝑥 15440) + ((0,9) 𝑥 16480 ) = 16064
Selain perhitungan peramalan, juga terdapat perhitungan error
dan besar kesalahan terhadap hasil peramalan. Adapun cara
menghitung error adalah sebagai berikut:
𝑒𝑟𝑟𝑜𝑟𝑡 = 𝑑𝑒𝑚𝑎𝑛𝑑𝑡 − 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡𝑖𝑛𝑔𝑡
𝑎𝑡𝑎𝑢
𝑒𝑟𝑟𝑜𝑟𝑡 = 𝑋𝑡 − 𝐹𝑡

Modul 5 Forecasting
Kelompok 2
Besarnya kesalahan terhadap peramalan dapat diketahui dengan

beberapa metode yaitu CFE, MAD, MSE dan MAPE. Berikut ini
adalah rumus yang digunakan dalam perhitungan keempat metode
tersebut:
Berikut ini adalah contoh perhitungan error dan metode CFE,

MAD, MSE dan MAPE secara manual:
𝑒𝑟𝑟𝑜𝑟5 = 𝑋5 − 𝐹5
𝑒𝑟𝑟𝑜𝑟5 = 446,08–12427,89=446,08
𝑡=2
𝐶𝐹𝐸5 = 𝑒𝑟𝑟𝑜𝑟2 + 𝑒𝑟𝑟𝑜𝑟3 + ⋯ + 𝑒𝑟𝑟𝑜𝑟5

𝐶𝐹𝐸5 = (−809,76) + (73,66) + ⋯ + (446,08) = 201,10
𝑀𝐴𝐷5 =
5−1
|𝑒𝑟𝑟𝑜𝑟2 | + |𝑒𝑟𝑟𝑜𝑟3 | + ⋯ + |𝑒𝑟𝑟𝑜𝑟5 |
𝑀𝐴𝐷5 =
4
|(864809,76)| + |(73,66)| + ⋯ + |(446,08)|
𝑀𝐴𝐷5 = = 445,15
4
𝑀𝑆𝐸5 =
5−1
𝑀𝑆𝐸5 =
4
(−809,76)2 + (73,66)2 + ⋯ + (446,08)2

𝑀𝑆𝐸5 =
4
𝑀𝑆𝐸5 = 275332,6

Modul 5 Forecasting
Kelompok 2
𝑃𝐸5 = 𝑥 100
𝑋5
|446,08|
𝑃𝐸5 = 𝑥 100
12874
𝑃𝐸5 = 3,46%
𝑀𝐴𝑃𝐸5 =
5−1
|𝑃𝐸2 | + |𝑃𝐸3 | + ⋯ + |𝑃𝐸5 |
𝑀𝐴𝑃𝐸5 =
4
7,03 + 0,59 + ⋯ + 3,46

𝑀𝐴𝑃𝐸5 =
4
𝑀𝐴𝑃𝐸5 = 3,72%

Modul 5 Forecasting
Kelompok 2
Tabel 3.7 Metode Single Exponential Smoothing
1 12406 12406
2 11506 12315,57 -809,7624 809,7624 655715,14 -7,0378577 7,0378577 655715,14 809,7624 7,0378577 -809,7624
3 12397 12323,75 73,66104 73,66104 5425,9488 0,5941645 0,5941645 330570,55 441,71172 3,8160111 -736,10136
4 12869 12378,32 491,11654 491,11654 241195,45 3,8161453 3,8161453 300778,85 458,17999 3,8160559 -244,98482
5 12874 12427,89 446,08728 446,08728 198993,86 3,4650312 3,4650312 275332,6 455,15681 3,7282997 201,10246
6 12973 12482,36 490,24015 490,24015 240335,41 3,7790432 3,7790432 268333,16 462,17348 3,7384484 691,34261
7 12468 12480,90 -13,118261 13,118261 172,08878 -0,1052173 0,1052173 223639,65 387,33095 3,1329099 678,22435
8 12121 12444,92 -323,86164 323,86164 104886,36 -2,6718929 2,6718929 206674,89 378,2639 3,0670503 354,36272
9 12515 12451,97 63,441328 63,441328 4024,8021 0,5069058 0,5069058 181343,63 338,91108 2,7470322 417,80404
10 11511 12357,88 -846,7476 846,7476 716981,51 -7,3558996 7,3558996 240858,95 395,33736 3,2591286 -428,94356
11 11456 12267,69 -811,76724 811,76724 658966,06 -7,0860066 7,0860066 282669,66 436,98035 3,6418164 -1240,7108
12 11222 12163,10 -941,29852 941,29852 886042,9 -8,3881242 8,3881242 337521,78 397,25486 4,0732989 -2182,0093
13 11973 12144,09 -171,07427 171,07427 29266,405 -1,4288319 1,4288319 311833,83 456,84802 3,8529267 -2353,0836
14 10772 12006,83 -1235,2988 1235,2988 1525963,2 -11,468177 11,468177 376283,51 516,72885 4,4387152 -3588,3824
15 11172 11923,40 -750,92656 750,92656 563890,69 -6,7212212 6,7212212 416561,42 533,45726 4,6017513 -4339,309
16 11668 11897,83 -230,1035 230,1035 52947,621 -1,9721363 1,9721363 392320,5 513,23368 4,4264437 -4569,4125
17 10430 11751,03 -1321,2356 1321,2356 1745663,4 -12,667899 12,667899 476904,43 563,7338 4,9415346 -5890,648
18 12812 11857,16 955,1848 955,1848 912378,01 7,4551917 7,4551917 502520,52 56,187341 5,0893968 -4935,4632
19 12725 11943,90 780,63912 780,63912 609397,44 6,1349123 6,1349123 508458,13 597,53137 5,147481 -4154,8241

Modul 5 Forecasting
Kelompok 2
Tabel 3.7 Metode Single Exponential Smoothing (lanjutan)
20 12028 11952,30 75,671211 75,671211 5726,1322 0,6291267 0,6291267 481998,55 570,06505 4,9096729 -4079,1529
21 12377 11994,76 382,06729 382,06729 145975,41 3,0869574 3,0869574 465197,39 560,66516 4,8185371 -3697,0856
22 12781 12073,41 707,88536 707,88536 501101,68 5,5384474 5,5384474 466907,12 567,67564 4,8528186 -2989,2003
23 10509 11916,96 -1408,0632 1408,0632 1982641,9 -13,398774 13,398774 535804,16 605,87508 5,2412711 -4397,2634
24 11173 11842,60 -669,26806 669,26806 447919,73 -5,9898721 5,9898721 531983,09 608,63129 5,2738189 -5066,5315
25 11842,60
26 11842,60
27 11842,60
28 11842,60
29 11842,60
30 11842,60
31 11842,60
32 11842,60
33 11842,60
34 11842,60
35 11842,60
36 11842,60
Total 286737,63 433915,3162 -5066,5315 13998,52 12235611 -51,285984 121,29784 8770211,5 11111,695 99,652277 -53360,033

Modul 5 Forecasting
Kelompok 2
Berdasarkan hasil peramalan dengan menggunakan metode Single

Exponential Smoothing terdapat data peramalan dari periode ke-1
Metode Single Exponential Smoothing

13500
13000
12500
12000
Demand
11500
Peramalan
11000
10500
10000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Gambar 3.6 Grafik Metode Single Exponential Smoothing
f) Metode Double Exponential Smoothing

Metode Double Exponential Smoothing digunakan ketika berbentuk data
trend. Penggunaan metode DES ini sebenarnya hampir mirip dengan
metode SES, perbedaannya hanya pada penggunaan alpha yang
dilakukan dua kali, sehingga dapat diformulasikan sebagai berikut:
′
𝑆𝑡′ = (∝ 𝑥 𝑋𝑡 ) + ((1−∝) 𝑥 𝑆𝑡−1 )
𝑆𝑡" = (∝ 𝑥 𝑆𝑡′ ) + ((1−∝) 𝑥 𝑆𝑡−1
"
)
𝑎𝑡 = (2 𝑥 𝑆𝑡′ ) − 𝑆𝑡"
∝
𝑏𝑡 = ( ) 𝑥(𝑆𝑡′ − 𝑆𝑡" )
1−∝
𝐹𝑡+1 = 𝑎𝑡 + 𝑏𝑡
Dimana:
Ft = peramalan pada periode t
Xt = demand pada periode t

Modul 5 Forecasting
Kelompok 2
Untuk nilai peramalan setelah periode maksimal (tmax, dalam kasus

ini t maksimal adalah 24), maka rumus peramalan yang digunakan
adalah:
𝐅𝐭𝐦𝐚𝐱+𝐧 = 𝐚𝐭𝐦𝐚𝐱 + ((𝐭 𝐦𝐚𝐱+𝐧 − 𝐭 𝐦𝐚𝐱 ) 𝐱 𝐛𝐭𝐦𝐚𝐱 )
Selain perhitungan peramalan, juga terdapat perhitungan error dan

besar kesalahan terhadap hasil peramalan. Adapun cara menghitung error
adalah sebagai berikut:
beberapa metode yaitu CFE, MAD, MSE dan MAPE. Berikut ini adalah
rumus yang digunakan dalam perhitungan keempat metode tersebut:
𝑛
𝐶𝐹𝐸𝑛 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=3
∑𝑛𝑡=3|𝑒𝑟𝑟𝑜𝑟𝑡 |
𝑀𝐴𝐷𝑛 =
𝑛−2
∑𝑛𝑡=3 𝑒𝑟𝑟𝑜𝑟𝑡2
𝑀𝑆𝐸𝑛 =
𝑛−2
∑𝑛𝑡=3|𝑃𝐸𝑡 |
𝑀𝐴𝑃𝐸𝑛 =
𝑛−2
dimana,
𝑒𝑟𝑟𝑜𝑟𝑡
𝑃𝐸𝑡 = 𝑥 100%
𝑋𝑡
Perhitungan manual:
𝑆5′ = (∝ 𝑥 𝑋5 ) + (1 − ∝) 𝑥 𝑆5−1
′
)
𝑆5′ = (0,1 𝑥12874) + ((0,9) 𝑥12378,32) = 16678
𝑆5" = (∝ 𝑥 𝑆5′ ) + ((1 − ∝) 𝑥 𝑆5−1
"
)
𝑆5" = (0,1 𝑥 12427,89) + ((0,9) 𝑥 12388,17) = 1232,14

Modul 5 Forecasting
Kelompok 2
𝑎5 = (2 𝑥 𝑆5′ ) − 𝑆5"
𝑎5 = (2 𝑥 12427,89) − 12392,14 = 12463,63
∝
𝑏5 = ( ) 𝑥(𝑆5′ − 𝑆5" )
1−∝
0,1
𝑏5 = ( ) 𝑥(12427,89 − 12392,14) = 169
0,9
𝐹5 = 𝑎5 + 𝑏5
𝐹5 = 12463,63 + 3,97 = 12367,38
besar kesalahan terhadap hasil peramalan. Adapun cara menghitung error
adalah sebagai berikut:
𝑒𝑟𝑟𝑜𝑟𝑡 = 𝑑𝑒𝑚𝑎𝑛𝑑𝑡 − 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡𝑖𝑛𝑔𝑡
𝑎𝑡𝑎𝑢
beberapa metode yaitu CFE, MAD, MSE dan MAPE. Berikut ini adalah
rumus yang digunakan dalam perhitungan keempat metode tersebut:
𝑛
𝑡=2
𝑀𝐴𝐷𝑛 =
𝑛−1
𝑀𝑆𝐸𝑛 =
𝑛−1
∑𝑛𝑡=2 𝑃𝐸𝑡
𝑛−1
dimana,
|𝑒𝑟𝑟𝑜𝑟𝑡 |
𝑃𝐸𝑡 = 𝑥 100
𝑋𝑡

Modul 5 Forecasting
Kelompok 2
Berikut ini adalah contoh perhitungan error dan metode CFE,

MAD, MSE dan MAPE secara manual:
𝑒𝑟𝑟𝑜𝑟5 = 12874 – 12367,38 =506,60
𝑡=2
𝐶𝐹𝐸5 = 𝑒𝑟𝑟𝑜𝑟3 + 𝑒𝑟𝑟𝑜𝑟4 + 𝑒𝑟𝑟𝑜𝑟5

𝐶𝐹𝐸5 = (171,82) + (618,48) + (506,60) = 12802,70
𝑀𝐴𝐷5 =
5−2
|𝑒𝑟𝑟𝑜𝑟3 | + |𝑒𝑟𝑟𝑜𝑟4 | + |𝑒𝑟𝑟𝑜𝑟5 |
𝑀𝐴𝐷5 =
3
|(171,82)| + |(618,48)| + |(−506,60)|
𝑀𝐴𝐷5 = = 3200,68
3
𝑀𝑆𝐸5 =
5−2
𝑒𝑟𝑟𝑜𝑟32 + 𝑒𝑟𝑟𝑜𝑟42 + 𝑒𝑟𝑟𝑜𝑟52
𝑀𝑆𝐸5 =
3
(−171,82)2 + (−618,48)2 + (−506,60)2

𝑀𝑆𝐸5 =
3
𝑀𝑆𝐸5 = 33263073,27
𝑃𝐸5 = 𝑥 100
𝑋5
|506,60|
𝑃𝐸5 = 𝑥 100
12874
𝑃𝐸5 = 3,94%
𝑀𝐴𝑃𝐸5 =
5−2
|𝑃𝐸2 | + |𝑃𝐸3 | + ⋯ + |𝑃𝐸5 |
𝑀𝐴𝑃𝐸5 =
4

Modul 5 Forecasting
Kelompok 2
100 + (1,39) + (3,94)

𝑀𝐴𝑃𝐸5 =
3
𝑀𝐴𝑃𝐸5 = 27,53 %

Modul 5 Forecasting
Kelompok 2
Tabel 3.8 Metode Double Exponential Smoothing
Periode Demand S't S"t at Bt Peramalan E |e| e^2 PE |PE| MSE MAD MAPE CFE
1 12406 12406 12406
2 11506 12315,57 12396,55 12234,59 -8,997 11505,81 11505,81 132383618 100 100 132383617,7 11505,808 100 11505,808
3 12397 12323,75 12389,27 12258,24 -7,279 12225,60 171,82 171,82 29521,837 1,386 1,38593 66206569,79 5838,814 50,693 11677,627
4 12869 12378,32 12388,17 12368,47 -1,094 12250,96 618,48 618,48 382513,45 4,806 4,80578 44265217,67 4098,701 35,397 12296,104
5 12874 12427,89 12392,14 12463,63 3,972 12367,38 506,60 506,60 256640,06 3,935 3,93504 33263073,27 3200,675 27,532 12802,7
6 12973 12482,36 12401,17 12563,55 9,022 12467,60 505,00 505,00 255020,59 3,893 3,89279 26661462,73 2661,539 22,804 13307,696
7 12468 12480,90 12409,14 12552,66 7,974 12572,58 -104,79 104,79 10981,165 -0,840 0,84049 22219715,81 2235,415 19,143 13202,905
8 12121 12444,92 12412,72 12477,12 3,578 12560,64 -439,58 439,58 193232,66 -3,627 3,62660 19073075,36 1978,867 16,927 12763,323
9 12515 12451,97 12416,64 12487,29 3,925 12480,70 34,71 34,71 1204,9574 0,277 0,27736 16689091,56 1735,848 14,845 12798,035
10 11511 12357,88 12410,77 12305,00 -5,876 12491,22 -980,08 980,08 960556,39 -8,514 8,51419 14941476,54 1651,874 14,142 11817,955
11 11456 12267,69 12396,46 12138,92 -14,308 12299,12 -843,20 843,20 710994,24 -7,360 7,36043 13518428,31 1571,007 13,464 10974,751
12 11222 12163,10 12373,12 11953,07 -23,336 12124,61 -902,81 902,81 815062,12 -8,045 8,04513 12363576,84 1428,188 12,971 10071,943
13 11973 12144,09 12350,22 11937,96 -22,903 11929,74 43,28 43,28 1872,9513 0,362 0,36146 11333434,85 1388,013 11,920 10115,22
14 10772 12006,83 12315,88 11697,79 -34,338 11915,06 -1143,52 1143,52 1307642,3 -10,61 10,61615 9807775,75 1369,206 11,820 8971,6984
15 11172 11923,40 12276,63 11570,16 -39,248 11663,45 -490,98 490,98 241059,68 -4,395 4,39454 9824994,298 1306,475 11,290 8480,7202
16 11668 11897,83 12238,75 11556,91 -37,880 11530,92 136,81 136,81 18717,476 1,173 1,17257 9171242,51 1228,498 10,615 8617,532
17 10430 11751,03 12189,98 11312,08 -48,773 11519,03 -1089,24 1089,24 1186440,1 -10,44 10,44353 8672192,358 1219,794 10,604 7528,2937
18 12812 11857,16 12156,70 11557,62 -33,282 11263,30 1549,04 1549,04 2399529,5 12,090 12,09023 8303212,19 91,120 10,692 9077,3352
19 12725 11943,90 12135,42 11752,38 -21,280 11524,34 1200,20 1200,20 1440474,5 9,432 9,43215 7921948,984 1236,997 10,622 10277,533
20 12028 11952,30 12117,11 11787,50 -18,311 11731,10 296,88 296,88 88137,876 2,468 2,46825 7509643,137 1187,517 10,193 10574,413
21 12377 11994,76 12104,87 11884,64 -12,235 11769,19 607,63 607,63 369217,01 4,909 4,90944 7152621,831 1158,523 9,929 11182,045

Modul 5 Forecasting
Kelompok 2
Tabel 3.8 Metode Double Exponential Smoothing (lanjutan)
Periode Demand S't S"t at Bt Peramalan E |e| e^2 PE |PE| MSE MAD MAPE CFE
22 12781 12073,41 12101,73 12045,10 -3,146 11872,41 908,89 908,89 826079,49 7,111 7,11109 6851357,909 1146,635 9,794 12090,935
23 10509 11916,96 12083,25 11750,67 -18,477 12041,95 -1533,05 1533,05 2350253,6 -14,58 14,58815 6646762,26 1164,200 10,012 10557,881
24 11173 11842,60 12059,18 11626,01 -24,065 11732,19 -558,86 558,86 312329,93 -5,002 5,00178 6371352,159 1137,881 9,794 9999,016
25 11842,60 12059,18 11626,01 -24,065 11732,19
26 11842,60 12059,18 11626,01 -24,065 11732,19
27 11842,60 12059,18 11626,01 -24,065 11732,19
28 11842,60 12059,18 11626,01 -24,065 11732,19
29 11842,60 12059,18 11626,01 -24,065 11732,19
30 11842,60 12059,18 11626,01 -24,065 11732,19
31 11842,60 12059,18 11626,01 -24,065 11732,19
32 11842,60 12059,18 11626,01 -24,065 11732,19
33 11842,60 12059,18 11626,01 -24,065 11732,19
34 11842,60 12059,18 11626,01 -24,065 11732,19
35 11842,60 12059,18 11626,01 -24,065 11732,19
36 11842,60 12059,18 11626,01 -24,065 11732,19
Total 286737,63 433915,32 439631,61 415793,48 -635,14 405119,39 9999,02 26171,262 146541100 78,411 225,273 501151843,83 51541,592 455,205 250691,47

Modul 5 Forecasting
Kelompok 2

Double Exponential Smoothing terdapat data peramalan dari periode
ke-1 sampai dengan periode ke-36 dapat dilihat pada grafik dibawah
ini :
Metode Double Exponential Smoothing

13500
13000
12500
12000
Demand
11500
Peramalan
11000
10500
10000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Gambar 3.7 Grafik Metode Double Exponential Smoothing

g) Metode Linier Regresi
Metode Linier Regresi sebuah teknik statistika untuk memprediksi
hubungan antar variabel dan memprediksi masa depan dengan waktu
yang telah ditentukan. Persamaan peramalan regresi linier dipakai
tiga konstanta, yaitu a, b dan Y dan diformulasikan sebagai berikut :
(𝑛 − ((∑ 𝑡 𝑥 𝑋𝑡 ) − (∑ 𝑡 𝑥 ∑ 𝑋𝑡 )))
𝑏=
(𝑛 𝑥 (∑ 𝑡 2 − (∑ 𝑡)2 ))
∑ 𝑋𝑡 𝑏 𝑥 ∑ 𝑡
𝑎= −
𝑛 𝑛
𝐹𝑡 = 𝑎 + (𝑏 𝑥 𝑡)
Dimana:
N = banyaknya demand
t = periode
Xt = demand
Ft = peramalan pada periode ke-t
besar kesalahan terhadap hasil peramalan. Adapun cara menghitung
error adalah sebagai berikut:

Modul 5 Forecasting
Kelompok 2
beberapa metode yaitu CFE, MAD, MSE dan MAPE. Berikut ini
adalah rumus yang digunakan dalam perhitungan keempat metode
tersebut:
𝑛
𝑡=2
𝑀𝐴𝐷𝑛 =
𝑛−1
𝑀𝑆𝐸𝑛 =
𝑛−1
∑𝑛𝑡=2|𝑃𝐸𝑡 |
𝑛−1
dimana,
𝑒𝑟𝑟𝑜𝑟𝑡
𝑃𝐸𝑡 = 𝑥 100%
𝑋𝑡
Perhitungan manual:
(24 𝑥 4778700) − (300 𝑥 388377))

𝑏= = 0,89
(24 𝑥 4900) − 90000
388377 − (0,89 𝑥 300)
𝑎= = 16171,25
24
𝐹5 = (16171,25) + ( 0,89𝑥 4) = 16175
𝑒𝑟𝑟𝑜𝑟5 =17599– 16175 = 1424
𝑡=2
𝐶𝐹𝐸5 = 𝑒𝑟𝑟𝑜𝑟2 + 𝑒𝑟𝑟𝑜𝑟3 + ⋯ + 𝑒𝑟𝑟𝑜𝑟5

𝐶𝐹𝐸5 = (875) + (233) + ⋯ + (1424) = 1798
𝑀𝐴𝐷5 =
5−1

Modul 5 Forecasting
Kelompok 2
|𝑒𝑟𝑟𝑜𝑟2 | + |𝑒𝑟𝑟𝑜𝑟3 | + ⋯ + |𝑒𝑟𝑟𝑜𝑟5 |

𝑀𝐴𝐷5 =
4
|(875)| + |(233)| + ⋯ + |(1424)|
𝑀𝐴𝐷5 = = 450
4
𝑀𝑆𝐸5 =
5−1
𝑀𝑆𝐸5 =
4
(875)2 + (233)2 + ⋯ + (1424)2

𝑀𝑆𝐸5 =
4
𝑀𝑆𝐸5 = 846653
𝑃𝐸5 = 𝑥 100
𝑋5
|1424|
𝑃𝐸5 = 𝑥 100
17599
𝑃𝐸5 = 8,09%
𝑀𝐴𝑃𝐸5 =
5−1
|𝑃𝐸2 | + |𝑃𝐸3 | + ⋯ + |𝑃𝐸5 |
𝑀𝐴𝑃𝐸5 =
4
5,13 + 1,42 + ⋯ + 8,09

𝑀𝐴𝑃𝐸5 =
4
𝑀𝐴𝑃𝐸5 = 2,47 %

Modul 5 Forecasting
Kelompok 2
Tabel 3.9 Metode Linier Regresi
Periode Demand XY X2 B A Peramalan E |e| e2 PE |PE| MSE MAD MAPE CFE

1 12406 12405,54 1 -37,67 12418,23
2 11506 23011,62 4 -37,67 12418,23 12380,56 -874,75 874,75 765192,83 -7,603 7,603 765192,83 874,75 7,60 -874,75
3 12397 37192,25 9 -37,67 12418,23 12342,89 54,52 54,52 2972,54 0,440 0,440 384082,69 464,64 4,02 -820,23
4 12869 51477,76 16 -37,67 12418,23 12305,23 564,21 564,21 318334,17 4,384 4,384 362166,52 497,83 4,14 -256,02
5 12874 64369,88 25 -37,67 12418,23 12267,56 606,41 606,41 367736,93 4,710 4,710 363559,12 524,97 4,28 350,39
6 12973 77835,6 36 -37,67 12418,23 12229,90 742,70 742,70 551608,08 5,725 5,725 401168,91 568,52 4,57 1093,10
7 12468 87274,49 49 -37,67 12418,23 12192,23 275,55 275,55 75929,61 2,210 2,210 346962,36 519,69 4,18 1368,65
8 12121 96968,45 64 -37,67 12418,23 12154,56 -33,51 33,51 1122,8302 -0,276 0,276 297556,71 450,24 3,62 1335,14
9 12515 112638,67 81 -37,67 12418,23 12116,90 398,51 398,51 158809,74 3,184 3,184 280213,34 443,77 3,57 1733,65
10 11511 115111,36 100 -37,67 12418,23 12079,23 -568,10 568,10 322733,68 -4,935 4,935 284937,82 457,59 3,72 1165,55
11 11456 126015,12 121 -37,67 12418,23 12041,57 -585,65 585,65 342981,8 -5,112 5,112 290742,22 470,39 3,86 579,91
12 11222 134661,6 144 -37,67 12418,23 12003,90 -782,10 782,10 611681,07 -6,969 6,969 319918,48 498,73 4,14 -202,19
13 11973 155649,21 169 -37,67 12418,23 11966,23 6,78 6,78 45,99 0,057 0,057 293262,44 457,73 3,80 -195,41
14 10772 150801,5 196 -37,67 12418,23 11928,57 -1157,03 1157,03 1338723,75 -10,742 10,742 373682,54 511,53 4,33 -1352,44
15 11172 167587,08 225 -37,67 12418,23 11890,90 -718,43 718,43 516142,02 -6,430 6,430 383858,22 526,30 4,48 -2070,87
16 11668 186683,65 256 -37,67 12418,23 11853,24 -185,51 185,51 34413,29 -1,590 1,590 360561,89 503,58 4,29 -2256,38
17 10430 177306,46 289 -37,67 12418,23 11815,57 -1385,78 1385,78 1920381 -13,287 13,287 458050,58 558,72 4,85 -3642,16
18 12812 230622,19 324 -37,67 12418,23 11777,90 1034,44 1034,44 1070066 8,074 8,074 494051,49 586,71 5,04 -2607,72
19 12725 241766,18 361 -37,67 12418,23 11740,24 984,30 984,30 968842,54 7,735 7,735 520428,77 608,79 5,19 -1623,42
20 12028 240559,52 400 -37,67 12418,23 11702,57 325,40 325,40 105887,8 2,705 2,705 498610,82 593,88 5,06 -1298,02
21 12377 259913,3 441 -37,67 12418,23 11664,91 711,92 711,92 506827,4 5,752 5,752 499021,65 599,78 5,10 -586,10

Modul 5 Forecasting
Kelompok 2
Tabel 3.9 Metode Linier Regresi ( lanjutan)
Periode Demand XY X2 B A Peramalan E |e| e2 PE |PE| MSE MAD MAPE CFE

22 12781 281188,51 484 -37,67 12418,23 11627,24 1154,06 1154,06 1331845,6 9,029 9,029 538679,94 626,17 5,28 567,96
23 10509 241704,61 529 -37,67 12418,23 11589,57 -1080,68 1080,68 1167864,4 -10,28 10,283 567279,23 646,83 5,51 -512,72
24 11173 268159,87 576 -37,67 12418,23 11551,91 -378,58 378,58 143322,6 -3,388 3,388 548846,34 635,17 5,42 -891,30
-37,67 12418,23 11514,24
-37,67 12418,23 11476,58
-37,67 12418,23 11438,91
-37,67 12418,23 11401,24
-37,67 12418,23 11363,58
-37,67 12418,23 11325,91
-37,67 12418,23 11288,25
-37,67 12418,23 11250,58
-37,67 12418,23 11212,91
-37,67 12418,23 11175,25
-37,67 12418,23 11137,58
-37,67 12418,23 11099,92
Total 300 286737,63 3540904,4 4900 -1355,98 447056,17 410908,33 -891,302 14608,92 12623466 -16,61 124,62 9632834,93 12626,33 106,08 -10995,42

Modul 5 Forecasting
Kelompok 2
Berdasarkan hasil peramalan dengan menggunakan metode Linier

Regresi terdapat data peramalan dari periode ke-1 sampai dengan
periode ke-36 dapat dilihat pada grafik dibawah ini :
Metode Linier Regresi

13500
13000
12500
12000
Demand
11500
Peramalan
11000
10500
10000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Gambar 3.8 Grafik Metode Linier Regresi

3.2.3 Rekapitulasi Nilai Error dan Verifikasi Data
Berikut merupakan rekapitulasi nilai error dan verifikasi data
berdasarkan perhitungan forecasting dengan menggunakan 7 metode
sebagai berikut :
Tabel 3.10 Rekapitulasi Nilai Error
No Metode PE MSE MAD MAPE CFE

1 Simple Average -58,23 12407173 14828,44 125,21 -51017,31
2 Single Moving Average -28,72 8836450,96 11579,27 96,15 -22895,59
3 Centered Moving Average -12,03 3750731,15 6819,78 61,04 -7323,14
4 Weight Moving Average -30,23 9121626,91 11992,23 99,38 -24043,81
5 Single Exponential Smoothing -51,29 8770211,53 11111,70 99,65 -53360,03
Double Exponential
6 78,41 501151843,83 51541,59 455,20 250691,47
Smoothing
7 Linear Regresi -16,61 9632834,93 12626,33 106,08 -10995,42
Diatas merupakan hasil perhitungan error dengan menggunakan

metode Mean Square Error (MSE), Percentage Error (PE), Mean
Absolute Deviation (MAD), Mean Absolute Percentage (MAPE) dan
Cumulative Forecast Error (CFE). Pemilihan metode yang akan
digunakan adalah dengan melihat error yang paling kecil. Semakin
kecil nilai error yang dimiliki suatu metode peramalan, maka semakin

Modul 5 Forecasting
Kelompok 2
baik prediksi yang diberikan metode tersebut. Berdasarkan tabel

rekapitulasi nilai error diatas dapat diputuskan bahwa metode yang akan
dipilih adalah metode Centered Moving Average, karena mempunyai
nilai error terkecil pada PE, MSE, MAD, MAPE dan CFE dibandingkan
dengan metode peramalan yang lainnya.
3.2.4 Validasi Metode
Validasi terhadap metode yang terpilih dilakukan dengan
menggunakan Peta Moving Range. Peta Moving Range menunjukkan
sebaran error tiap periode dalam batas-batas di antaranya UCL, LCL,
Region A, Region B, dan Region C. Moving Range dihitung
berdasarkan rumus : 𝑀𝑅𝑡 = |(𝑌𝑡−𝑌𝐹𝑡)−(𝑌𝑡−1−𝑌𝐹𝑡−1)|
Kemudian dihitung jumlah dan rata-rata MR, serta batas UCL, LCL,
Region A, Region B, dan Region C. Perhitungan dari peta Moving
Range dapat dilihat dalam tabel di bawah.
Moving Range Periode 3
𝑀𝑅3 =|(𝑌3−𝑌𝐹3)−(𝑌2−𝑌𝐹2)|
=[(12397−12258) − (11506−12103)]
=736,98
MR setiap periode ditotalkan sehingga diperoleh MR = 15920,12
𝑀𝑅̅̅̅̅̅̅̅̅̅̅ = 𝑀𝑅/𝑛 = 3548,002 / 22 = 723,64
𝑈𝐶𝐿 = 2,66 𝑀𝑅̅̅̅̅̅̅̅̅̅̅ = 2,66 × 723,64 = 1924,89
𝐿𝐶𝐿 = −2,66 𝑀𝑅̅̅̅̅̅̅̅̅̅̅ = −2,66 × 723,64 = −1924,89
𝑅𝑒𝑔𝑖𝑜𝑛 𝐴± = ± 2/3𝑈𝐶𝐿 = ± 2/3 (1924,89) = ± 1283,26
𝑅𝑒𝑔𝑖𝑜𝑛 𝐵± = ± 1/3𝑈𝐶𝐿 = ± 1/3 (1924,89) = ± 641,63
𝑅𝑒𝑔𝑖𝑜𝑛 𝐶 = 0
Kemudian hasil perhitungan Moving Average untuk tiap periode dapat
dilihat pada tabel berikut.

Modul 5 Forecasting
Kelompok 2
Tabel 3.11 Validasi menggunakan Moving Range
Periode Demand Peramalan E MR |MR| UCL LCL Region A+ Region B+ CL Region B- Region A-
1 12406 1924,89 -1924,89 1283,258 641,629 0,00 -641,629 -1283,258
2 11506 12103 -597,11 1924,89 -1924,89 1283,258 641,629 1,00 -641,629 -1283,258
3 12397 12258 139,86 736,98 736,98 1924,89 -1924,89 1283,258 641,629 2,00 -641,629 -1283,258
4 12869 12714 155,83 15,97 15,97 1924,89 -1924,89 1283,258 641,629 3,00 -641,629 -1283,258
5 12874 12905 -31,36 -187,19 187,19 1924,89 -1924,89 1283,258 641,629 4,00 -641,629 -1283,258
6 12973 12771 201,15 232,51 232,51 1924,89 -1924,89 1283,258 641,629 5,00 -641,629 -1283,258
7 12468 12520 -52,70 -253,84 253,84 1924,89 -1924,89 1283,258 641,629 6,00 -641,629 -1283,258
8 12121 12368 -247,03 -194,33 194,33 1924,89 -1924,89 1283,258 641,629 7,00 -641,629 -1283,258
9 12515 12049 466,21 713,23 713,23 1924,89 -1924,89 1283,258 641,629 8,00 -641,629 -1283,258
10 11511 11827 -316,35 -782,56 782,56 1924,89 -1924,89 1283,258 641,629 9,00 -641,629 -1283,258
11 11456 11396 59,63 375,99 375,99 1924,89 -1924,89 1283,258 641,629 10,00 -641,629 -1283,258
12 11222 11550 -328,45 -388,08 388,08 1924,89 -1924,89 1283,258 641,629 11,00 -641,629 -1283,258
13 11973 11322 650,90 979,34 979,34 1924,89 -1924,89 1283,258 641,629 12,00 -641,629 -1283,258
14 10772 11306 -534,14 -1185,04 1185,04 1924,89 -1924,89 1283,258 641,629 13,00 -641,629 -1283,258
15 11172 11204 -31,44 502,70 502,70 1924,89 -1924,89 1283,258 641,629 14,00 -641,629 -1283,258
16 11668 11090 577,73 609,17 609,17 1924,89 -1924,89 1283,258 641,629 15,00 -641,629 -1283,258
17 10430 11637 -1206,83 -1784,56 1784,56 1924,89 -1924,89 1283,258 641,629 16,00 -641,629 -1283,258
18 12812 11989 823,45 2030,28 2030,28 1924,89 -1924,89 1283,258 641,629 17,00 -641,629 -1283,258
19 12725 12522 202,92 -620,54 620,54 1924,89 -1924,89 1283,258 641,629 18,00 -641,629 -1283,258
20 12028 12376 -348,47 -551,39 551,39 1924,89 -1924,89 1283,258 641,629 19,00 -641,629 -1283,258
21 12377 12395 -18,54 329,93 329,93 1924,89 -1924,89 1283,258 641,629 20,00 -641,629 -1283,258
22 12781 11889 892,29 910,83 910,83 1924,89 -1924,89 1283,258 641,629 21,00 -641,629 -1283,258
23 10509 11488 -978,94 -1871,23 1871,23 1924,89 -1924,89 1283,258 641,629 22,00 -641,629 -1283,258

Modul 5 Forecasting
Kelompok 2
Tabel 3.11 Validasi menggunakan Moving Range (lanjutan)
Periode Demand Peramalan E MR |MR| UCL LCL Region A+ Region B+ CL Region B- Region A-
24 11173 11488 -314,51 664,43 664,43 1924,89 -1924,89 1283,258 641,629 23,00 -641,629 -1283,258
25 11488
26 11488
27 11488
28 11488
29 11488
30 11488
31 11488
32 11488
33 11488
34 11488
35 11488
36 11488
Total MR 15920,12
Rata-rata MR 723,64
UCL 1924,89
LCL -1924,89
Region A 1283,26
Region B 641,63
Region C 0

Modul 5 Forecasting
Kelompok 2
Peta Moving Range yang telah di-plotting dapat dilihat sebagai berikut.
MOVING RANGE CHART

2500.00
2000.00 e
1500.00 UCL
1000.00 LCL
500.00 Region A+
0.00 Region 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 CL
-500.00
-1000.00 Region B-
-1500.00 Region A-
-2000.00
-2500.00
Gambar 3.9 Grafik Moving Range

Pada grafik di atas, dapat dilihat bahwa keseluruhan data error
metode Centered Moving Average berada dalam batas kontrol, maka
metode Centered Moving Average yang telah terpilih sudah terkendali
dan valid.

Modul 5 Forecasting
Kelompok 2
3.2.5 Hasil Peramalan yang Digunakan 12 Periode Kedepan dengan

Menggunakan Metode Terpilih
Berdasarkan metode terpilih yaitu Centered Moving Average yang telah
melalui proses verifikasi dan validasi, maka peramalan yang digunakan
12 periode kedepan adalah :
Tabel 3.12 Peramalan 12 Periode ke Depan dari Metode Terpilih
Periode Peramalan
25 11488
26 11488
27 11488
28 11488
29 11488
30 11488
31 11488
32 11488
33 11488
34 11488
35 11488
36 11488

Modul 5 Forecasting
Kelompok 2
BAB IV
ANALISIS
4.1 Analisis Semua Metode Ramalan
Berikut merupakan analisis terhadap 7 metode peramalan yang telah
dilakukan.
4.1.1 Analisa Metode Simple Average
Metode Simple Average adalah metode peramalan yang
menghitung rata-rata seluruh data masa lalu untuk mendapatkan hasil
peramalan di masa yang akan datang. Dengan history data yang telah
diperoleh maka nilai rata-rata dari setiap permintaan dalam 24 periode
sebelumnya dapat diramalkan untuk 12 periode kedepannya dengan
rata-rata nilai adalah 11947. Dan nilai error yang di hitung dalam PE,
MSE, MAD, MAPE, CFE. Berturut-turut adalah sebesar -58,23,
12407173, 14828.44, 125.21, -51017.31. Dapat dilihat bahwa pada
periode 1 adalah 12406 yang kemudian diramalkan dengan periode 2
yang memiliki nilai peramalan 12406 atau sama dengan nilai dari
deman periode 1, karena ini adalah data pertama yang belum di
kalkulasikan dengan data sebelumnya yang sudah dilakukan peramalan.
Sebagai contoh diambil data dari periode ke 3, dengan hasil
peramalan periode 3, dengan deman yang masih sama dengan hasil
peramalan, yang dikalkulasikan demand pada periode 1 jumlahkan
dengan demand pada periode 2 dan dibagi dengan 2, dua disini adalah
angka dari periode pada saat hasil peramalan terakhir, dan didapat nilai
11956
Kemudian di dalam hasil perhitungan didapat nilai error yang
diambil sebagai contoh dari periode ke 3, yaitu dengan mengurangkan
nilai deman dengan hasil peramalan di dapat nilai 442
Kemudian menghitung nilai CFE, diambil dari contoh periode
ketiga, dengan cara menjumlahkan error dari periode ke 2 dan ke 3.
Dan seterusnya tetap menjumlahkan seluruh error dari periode 2 sampai
seterusnya didapat nilai CFE periode 3 sebesar -458,00. Kemudian nilai
MAD untuk periode 3 sebagai contoh di dapat dari hasil jumlah nilai

Modul 5 Forecasting
Kelompok 2
error mutlak periode 2 dan 3 yang dibagi dengan nilai 2 (karena hanya
terdapat 2 periode yaitu 2 dan 3), Di dapat hasil 670,74. Selanjutnya
mencari nilai MSE periode 3 sebagai contoh di dapat dengan
menjumlahkan nilai error antara periode 2 dan periode 3 yang masing-
masing sudah di x 2 dan di bagi nilai 2 (karena hanya ada 2 periode
yaitu 2 dan 3) didapatkan hasil yaitu 502329,55. Kemudian nilai
MAPE, sebagai contoh pada MAPE periode 3 di dapat dari hasil
penjumlahan nilai PE mutlak antara periode 2 dan 3, hasil tersebut
dibagi 2 (karena hanya ada 2 periode penjumlahan yaitu 2 dan 3)
didapat hasil 5,691.
Untuk bagian grafik, pada metode single moving average
didapatkan pola grafik siklis. Walaupun pada demand mengalami naik
turun, tetapi pola data ada yang menunjukan keanikan dan penurunan
yang drastis, dan hasil dari peramalan menunjukan pola musiman. Dan
hasil peramalan untuk 12 periode kedepan adalah konstan.
4.1.2 Analisa Metode Single Moving Average
Metode Single Moving Average merupakan suatu metode
peramalan yang dilakukan dengan mengambil sekelompok nilai
pengamatan, mencari nilai rata-rata tersebut sebagai ramalan untuk
periode yang akan datang. Metode Single Moving Average metode
yang mengunakan nilai demand 4 bulan terakhir untuk meramalkan
periode berikutnya. Dengan nilai 4-MONTH dari periode 1-4 di
jumlahkan dan di bagi 4, 4 adalah nilai mutlak dari rumus peramalan
metode ini.
Kemudian nilai error didapat dari hasil pengurangan nilai
Demand dan nilai peramalan. Yaitu nilai demand pada periode ke 5 dan
hasil peramalan periode 5, kenapa digunakan periode 5, karena dari
periode 1-4 belum memiliki nilai peramalan karena untuk mendapatkan
hasil peramalan harus menggunakan nilai dari demand 4 bulan terakhir.
Dengan nilai demand periode 5 yaitu 12974 di kurang hasil peramalan 4
bulan terakhir yaitu 12295 lalu didapat nilai error 579.

Modul 5 Forecasting
Kelompok 2
Kemudian mencari nilai CFE pada metode ini adalah dengan

menjumlahkan hasil error dari seluruh periode yang akan di cari nilai
CFE-nya. Sebagai contoh pada periode 6. Dengan nilai CFE = 1140,36
Didapat dari hasil penjumlahan nilai error periode 5 dan 6.
Kemudian mencari nilai MSE, dengan contoh pada periode 6,
yaitu dengan cara menjumlahkan nilai error periode ke-5 dan ke-6 yang
masing-masing telah di kuadratkan dan selanjutnya dibagi 2. Didaptkan
hasil 325192,93. Selanjutnya mencari nilai PE, sebagai contoh pada
periode 5 di dapat dari nilai pengabsolutan error = 579 di bagi dengan
demand ke-5 dan di kali 100, 100 adalah nilai ketetapan dari rumus
didapatkan hasil 4,5007385. selanjutnya nilai MAPE, sebagai contoh
diambil dari periode 6. Yaitu denngan menjumlahkan nilai PE mutlak di
bagi dengan 2. (karena hanya terdapat 2 periode yaitu 5 dan 6 ),
didaptakan hasil 4,412388.
Untuk bagian grafik, pada metode single moving average
didapatkan pola grafik siklis. Walaupun pada demand mengalami naik
turun, tetapi pola data ada yang menunjukan keanikan dan penurunan
yang drastis, dan hasil dari peramalan menunjukan pola musiman. Dan
hasil peramalan untuk 12 periode kedepan adalah konstan.
4.1.3 Analisa Metode Centered Moving Average
Metode Centered Moving Average perhitungannya diletakkan
pada pertengahan periode yang digunakan untuk menghitung nilai rata-
ratanya ataupun memprediksi jumlah demand pada periode tertentu
dengan menghitung jumlah dari demand pada periode tersebut dengan
demand pada periode sebelum dan sesudahnya. Dengan history data
yang telah diperoleh maka nilai rata-rata dari setiap permintaan dalam
24 periode sebelumnya dapat diramalkan untuk 12 periode kedepannya
dengan rata-rata nilai adalah 1148. Dan nilai error yang di hitung dalam
PE, MSE, MAD, MAPE, CFE. Berturut-turut adalah sebesar -12.03,
3750731.15, 6819.78, 61.04, -7323,14. Untuk bagian grafik, pada
metode single moving average didapatkan pola grafik siklis. Walaupun
pada demand mengalami naik turun, tetapi pola data ada yang

Modul 5 Forecasting
Kelompok 2
menunjukan keanikan dan penurunan yang drastis, dan hasil dari

peramalan menunjukan pola trend. Dan hasil peramalan untuk 12
periode kedepan adalah konstan. Kemudian di dalam hasil perhitungan
didapat nilai error yang diambil sebagai contoh dari periode ke 3, yaitu
dengan mengurangkan nilai deman dengan hasil peramalan di dapat
nilai 139,8613.
CFE-nya. Sebagai contoh pada periode 3. Dengan nilai CFE = -
457,25333 Didapat dari hasil penjumlahan nilai error periode 2 dan 3.
Kemudian mencari nilai MSE, dengan contoh pada periode 3,
yaitu dengan cara menjumlahkan nilai error periode ke-2 dan ke-3 yang
masing-masing telah di kuadratkan dan selanjutnya dibagi 2. Didaptkan
hasil 188053,56. Selanjutnya mencari nilai PE, sebagai contoh pada
periode 3 di dapat dari nilai pengabsolutan error ke-3 di bagi dengan
demand ke-3 dan di kali 100, 100 adalah nilai ketetapan dari rumus
didapatkan hasil 1,1281491. selanjutnya nilai MAPE, sebagai contoh
diambil dari periode 3. Yaitu denngan menjumlahkan nilai PE mutlak di
bagi dengan 2. (karena hanya terdapat 2 periode yaitu 2 dan 3 ),
didaptakan hasil 3,1589148. Kemudian nilai MAD untuk periode 3
sebagai contoh di dapat dari hasil jumlah nilai error mutlak periode 2
dan 3 yang dibagi dengan nilai 2 (karena hanya terdapat 2 periode yaitu
2 dan 3), sehingga di dapatlah hasil 368,448.
4.1.4 Analisa Metode Weighted Moving Average
Metode Weighted Moving Average merupakan salah satu metode
peramalan dengan mempertimbangkan bobot. Pada metode ini bobot
berfungsi sebagai faktor pengali untuk mendapatkan hasil peramalan
pada periode berikutnya. Demand dikalikan dengan bobot yang
ditetapkan. Demand dikalikan dengan bobot yang ditetapkan, bobot
yang ditetap kan tidak boleh lebih atau kurang dari 1.
Sebagai contoh diambil pada periode ke 5, kenapa diambil
periode ke 5, Karena data yang bisa diambil unutk melakukan

Modul 5 Forecasting
Kelompok 2
peramalan adalah data pada 4 bulan pertama. Dengan perhitungan

(12406 x 0,2) +(11506 x 0,3) + (12397 x 0,35) + (12869 x 0,15) =
12202.
Kemudian nilai error didapat dari hasil pengurangan nilai
Demand dan nilai peramalan. Yaitu nilai demand pada penggunaan
periode 5 dikarenakan pada periode 1-4 belum memiliki nilai peramalan
karena untuk mendapatkan hasil peramalan harus menggunakan nilai
dari demand 4 bulan terakhir. Dengan nilai demand periode 5 yaitu
12874 di kurang hasil peramalan 4 bulan terakhir, lalu didapat nilai
error 672. Kemudan mencari nilai CFE pada metode ini adalah dengan
CFE-nya. Sebagai contoh pada periode 6. Dengan nilai CFE = 1188,43.
Didapat dari hasil penjumlahan nilai error periode 5 dan 6. Kemudian
mencari nilai MSE, dengan contoh pada periode ke-6 = 359080, yaitu
dengan membagi nilai R SQUARE pada periode ke-5 = 451064 dan
periode ke-6 = 267096. Kemudiaan mencari nilai PE, sebagai contoh
pada periode 5 di dapat dari nilai pengabsolutan error = 672 di bagi
dengan demand dan di kali 100, 100 adalah nilai ketetapan dari rumus.
Lalu kemudian nilai MAPE, sebagai contoh diambil dari periode 5.
Yaitu dengan pembagian nilai PE = 5,2168281 di bagi dengan periode.
Pada grafik terlihat bahwa hasil ploting data demand pada metode
weighted moving average didapatkan pola grafik siklis karena terlihat
cenderung naik turun terus menerus, sedangkan pada hasil dari ploting
data peramalan menunjukan pola musiman karena terlihat berulang.
Dan hasil peramalan untuk 12 periode kedepan adalah konstan.
4.1.5 Analisa Metode Single Exponential Smoothing
Metode Exponential Smoothing adalah mengambil rata – rata dari
nilai pada beberapa periode untuk menaksir nilai pada suatu periode.
Pada contoh metode SES, diambil contoh pada periode 5. Yang dimana
nilai dari hasil peramalanny adalah 16064 di dapat dari = (∝ x demand)
+ (1-∝) x hasil peramalan periode 2) atau = (0,1 x 15440) + (0,9) x
16480).

Modul 5 Forecasting
Kelompok 2
Untuk hasil dari nilai hasil perhitungan error yang diambil

sebagai contoh dari periode ke 5, yaitu dengan mengurangkan nilai
deman dengan hasil peramalan di dapat nilai 446,08.
Kemudan mencari nilai CFE pada metode ini adalah dengan
CFE-nya. Sebagai contoh pada periode 5. Dengan nilai CFE = 201,10.
Didapat dari hasil penjumlahan nilai error periode 2 sampai 5.
Kemudian mencari nilai |error| atau absolut error, di dapat dari hasil
pengabsolutan nilai error. Kemudian nilai MAD di dapat dari hasil
jumlah pengabsolutan nilai error periode 2,3 samapai 5 dan dibagi
dengan nilai 5 dikurang 1 sehingga di dapat hasil 445,15.Kemudian
nilai MSE di dapat dengan menjumlahkan nilai error antara periode 2, 3
sampai 5 yang masing-masing sudah di x 2 dan di bagi nilai 5 dikurang
1. Kemudian nilai MAPE, sebagai contoh diambil dari periode 5. Yaitu
dengan penjunlahan dari nilai dari periode 2 sampai periode 5
kemudian di bagi 4 yang hasilnya adalah 3,72%.
single exponential smoothing didapatkan pola grafik siklis karena
terlihat cenderung naik turun terus menerus, sedangkan pada hasil dari
ploting data peramalan menunjukan pola horizontasl karena cenderung
konstan. Pada peramalan ke-25 sampai 12 periode kedepan pola
datanya adalah konstan.
4.1.6 Analisa Metode Double Exponential Smoothing
Metode ini adalah metode, yang digunakan untuk mengitung
peramalan dengan menggunakan nilai s’, dan nilai Berdasarkan bentuk
plot data historis, maka ditentukan nilai ɑ sebesar 0,1.
Pada bagian peramalan dilakukan perhitungan dengan
memasukan angka dari s’ yang merupakan hasil pehitungan dari nilai
=(ɑ x demand periode 2) + (ɑ x s’ pada periode kedua/demand periode
1) maka di dapatlah nilai dari s’ untuk periode 3. Karena s’ pada
periode kedua = demand periode 1. Kemudian melakukan perhitungan
peramalan dengan menggunakan rumus = (ɑ x s’ periode 3 ) + ((1 -ɑ ) x

Modul 5 Forecasting
Kelompok 2
hasil peramalan periode 2/demand periode 1. Sebagai contoh pada

peramlan periode 5. (0,1 x 12874 ) + ( 1 – 0,1) x 12378,32 = 16678.
Untuk hasil dari nilai hasil perhitungan error yang diambil
sebagai contoh dari periode ke 5 = 506,60, yaitu dengan mengurangkan
nilai demand dengan hasil peramalan.
CFE-nya. Sebagai contoh pada periode 5. Dengan nilai CFE =
12802,70. Didapat dari hasil penjumlahan nilai error periode 3, 4
sampai 5. Kemudian pada perhitungan |error|, dengan cara
mengabsolutkan nilai masing masing error pada setiap periode.
Kemudian untuk mengitung nilai MAD, adalah dengan cara membagi
nilai absolut dengan periode dikurang satu. Sebagai contoh pada
periode ke 5. = 3200,69 didapat dari nilai absolut error : (nilai periode 5
- 2). Kemudian nilai MSE di dapat dengan menjumlahkan nilai error
antara periode 3, 4 dan 5 yang masing-masing sudah di x 2 dan di bagi
nilai 3 (5-2) dikurang 1. Sebagai contoh pada periode 5 di dapat kan
hasil 33263073,27. Untuk nilai MAPE, didapat dari hasil perhitungan
dari penjumlahan nilai PE dibagi periode dikurang 1. Sebagai contoh di
dapat nilai 27,53% pada periode 5.
Double exponential smoothing didapatkan pola grafik siklis karena
terlihat cenderung naik turun terus menerus, sedangkan pada hasil dari
ploting data peramalan menunjukan pola musiman karena terlihat
berulang. Dan hasil peramalan untuk 12 periode kedepan adalah
konstan.
4.1.7 Analisa Metode Linier Regresi
Metode Linier Regresi sebuah teknik statistika untuk
memprediksi hubungan antar variabel dan memprediksi masa depan
dengan waktu yang telah ditentukan.
Menentukan nilai dari peramalan, sebelumnya harus menentukan
nilai alpha dan nilai beta. Berdasarkan pengolahan data yang telah

Modul 5 Forecasting
Kelompok 2
dilakukan menggunakan metode peramalan linier regresi dengan

menggunakan rumus yang ada pada bab 3, sehingga didapatkanlah hasil
perhitungan alpha sebesar 16171,25 dan beta sebesar 0,98. Setelah
diketahui nilai alpha dan nilai betanya, maka untuk perhitungan
menentukan nilai dari peramalan adalah dengan menjumlahkan nilai
alpha dan beta yang telah dikalikan dengan nilai dari periode yang akan
diramalkan. Sebagai contoh perhitungannya untuk mencari nilai
ramalan pada periode ke-5, yaitu :
𝐹5 = (16171,25) + ( 0,89𝑥 4) = 16175
Setelah mendapatkan nilai dari peramalan, maka untuk mencari
nilai error adalah dengan cara mengurangkan demand pada periode ke-
n dikurang dengan nilai ramalan periode ke-n. Contoh untuk
perhitungan error yaitu pada periode ke-5, dimana nilai demand
periode ke-4 adalah 17599 dan nilai ramalan pada periode ke-5 adalah
16175, sehingga didapatkanlah error pada periode ke-5 sebesar 1424.
Langkah selanjutnya adalah menentukan nilai CFE, yaitu dengan
cara menjumlahkan seluruh error. Contoh untuk mencari nilai CFE
pada periode ke-5 adalah dengan menjumlahkan error periode ke-2
sampai dengan error periode ke-5, sehingga didapatkanlah hasil CFE
sebesar 1798. Kemudian untuk mencari nilai MAD, yaitu dengan cara
membagi jumlah nilai absolut dengan periode dikurangkan dengan satu.
Sebagai contohnya yaitu mencari nilai MAD pada periode ke-5,
sehingga didapatkanlah hasil MAD periode ke-5 yaitu 450. Kemudian
untuk mencari nilai MSE yaitu dengan cara menjumlahkan nilai error
yang masing-masing nilai telah dikuadratkan dibagi dengan periode ke-
n dikurangkan dengan 1. Contoh perhitungan MSE pada periode 5,
dikarenakan nilai t=2, maka nilai error yang dijumlahkan adalah dari
periode ke-2 sampai dengan periode ke-5 yang masing-masing telah di
kuadratkan dan selanjutnya dibagi 4, sehingga didapatkanlah nilai MSE
sebesar 846653. Selanjutnya untuk mencari nilai PE adalah dengan cara
mengabsolutkan nilai error dari periode ke-n yang ingin dicari dibagi
dengan nilai deman periode ke-n dikali dengan 100. Contoh

Modul 5 Forecasting
Kelompok 2
perhitungan PE pada periode 5, yaitu error pada periode ke-5 adalah

1424 yang telah diabsolutkan dibagi dengan nilai demand periode ke-5
dan kemudian dikali dengan 100. Langkah terakhir dalam
memverifikasi hasil ramalan berdasarkan nilai error adalah dengan
menggunakan metode MAPE. MAPE dicari dengan cara menjumlahkan
nilai PE yang telah di absolutkan dibagi dengan periode ke-n dikurang
1. Contoh perhitungan untuk mendapatkan nilai MAPE periode ke-5
adalah dengan menjumlahkan nilai PE periode ke-2 sampai dengan
periode ke-5 yang telah diabsolutkan kemudian dibagi dengan 4,
sehingga didapatkanlah hasil 2,47%.
Kemudian untuk bagian grafik, pada metode linier regresi ini
didapatkan pola grafik siklis pada demand. Pola siklis pada demand
mengalami naik turundan pola data yang mengalami kenaikan dan
penurunan tersebut terjadi secara drastis. Sedangkan pola data pada
peramalan untuk tiap periodenya memiliki garis lurus menurun, hal
tersebut terjadi karena periode peramalan semakin besar untuk 12 bulan
kedepan yang dikalikan dengan nilai beta (nilai beta adalah negatif)
maka nilai negatif akan semakin besar dan kemudian ditambah dengan
nilai alpha, sehingga hasil peramalan yang didapatkan untuk 12 bulan
kedepan semakin menurun.
4.2 Analisis Verifikasi
Verifikasi dilakukan dengan 5 metode, yaitu metode Cumulative Of
Forecast Error, Mean Absolute Deviation, Mean Squared Error, Percentage
Error, dan Mean Absolute Percentage Error. Verifikasi dilakukan dengan
melihat jumlah nilai error seluruh metode dan membandingkan nilai errornya
pada metode peramalan yang digunakan.
Berdasarkan pengolahan data yang telah dilakukan dengan
menjumlahkan semua error dan membandingkannya dengan beberapa
metode peramalan, setelah dibandingkan maka didapatkanlah nilai error
terkecil, yaitu pada metode Centered Moving Average. Metode Centered
Moving Average ini memiliki 3 nilai error terkecil, yaitu didapatkan dari

Modul 5 Forecasting
Kelompok 2
metode verifikasi Mean Squared Error sebesar 3750731,15, Mean Absolute

Deviation sebesar 6819,78, dan Absolute Percentage Error sebesar 61,04.
4.3 Analisis Metode Terpilih
Berdasarkan perhitungan forecasting dengan menggunakan 7 metode,
penentuan metode peramalan yang akan digunakan dilihat dari perhitungan
Mean Square Error (MSE), Percentage Error (PE), Mean Absolute Deviation
(MAD), Mean Absolute Percentage (MAPE) dan Cumulative Forecast Error
(CFE). Pemilihan metode yang akan digunakan adalah dengan melihat error
yang paling kecil.
Metode yang memiliki nilai error terkecil akan menjadi metode yang
terpilih. Berdasarkan rekapitulasi data pada metode ini, Centered Moving
Average merupakan metode yang terpilih. Pada tabel 3.10 menunjukkan
bahwa hasil rekapitulasi nilai error dengan metode peramalan Centered
Moving Average diperoleh nilai error yang paling rendah dengan nilai PE = -
12,03, MSE = 3750731,15, MAD = 6819,78, MAPE = 61,04 dan CFE = -
7323,14, dimana metode peramalan dengan nilai error terkecil dipilih sebagai
metode peramalan terbaik yang paling sesuai untuk meramalkan demand
karena semakin kecil kesalahan yang terjadi maka hasil peramalan semakin
akurat. Semakin kecil nilai error yang dimiliki suatu metode peramalan,
maka akan semakin baik prediksi yang diberikan metode tersebut. Alasan lain
dari terpilihnya metode Centered Moving Average adalah pola datanya yang
menunjukkan pola trend. Walaupun untuk datanya sendiri mengalami
kenaikan dan penurunan secara drastis, tetapi pada akhir data mengalami
kenaikan sehingga dapat dianggap pola data trend.
4.4 Analisis Validasi
Sebelum melakukan validasi, yang dilakukan adalah melakukan
verifikasi data dengan menghitung MAD, MSE, PE, MAPE dan CFE dari 7
metode yang diminta, kemudian setelah itu melakukan rekapitulasi nilai
error. Dapat dilihat dari perhitungan verifikasi dan direkapitulasikan, nilai
error yang terkecil terdapat pada metode Centered Moving Average.
Setelah diketahui metode yang terpilih dengan nilai error terkecil
adalah metode Centered Moving Average, maka selanjutnya dilakukan

Modul 5 Forecasting
Kelompok 2
perhitungan validasi dengan metode Moving Range. Validasi nilai error

dengan metode Moving Range dilakukan menggunakan aplikasi Microsoft
Excel dengan cara memplotkan nilai error. Dari plotting data yang dilakukan,
maka diperoleh nilai total Moving Range sebesar 15920,12 dengan rata-rata
nya sebesar 723,64. Nilai UCL sebesar 1924,89 dan LCL sebesar -1924,89.
Sedangkan untuk nilai Region A sebesar ±1283,26, Region B sebesar
±641,63 dan Region C sebesar 0. Dapat dilihat pada grafik Moving Range,
dari hasil plotting data nilai error yang dilakukan terlihat bahwa peramalan
yang dilakukan tidak ada yang melebihi nilai UCL dan LCL atau masih
berada didalam batas UCL-LCL. Hal ini dapat disimpulkan bahwa hasil
peramalan menggunakan metode Centered Moving Average tersebut sudah
dianggap valid.

Modul 5 Forecasting
Kelompok 2
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Adapun kesimpulan yang dapat ditarik berdasarkan Praktikum
Terintegrasi Industri II yang telah dilakukan adalah :
1. Manfaat forecasting atau peramalan dalam sistem industri adalah
berkaitan mengenai memperkirakan permintaan dimasa mendatang dan
memperkirakan seberapa banyak persediaan yang harus dipenuhi oleh
perusahaan, serta posisinya dalam sistem industri adalah sebagai acuan
dalam melakukan proses produksi agar permintaan sesuai dengan
persediaan. Dengan melakukan forecasting, diharapkan perusahaan
dapat meramalkan permintaan konsumen dimasa yang akan datang
dengan baik berdasarkan permintaan pada periode sebelumnya terhadap
produk perusahaannya.
2. Metode-metode yang digunakan dalam proses forecasting atau
peramalan sangatlah banyak. Cara menerapkan metode serta teknik
dalam peramalan juga didasarkan pada plotting data yang dilakukan
atau mengidentifikasikan sifat dari data yang diplotkan. Metode yang
digunakan pada pengolahan data ini adalah metode SA (Simple
Average), SMA (Single Moving Average), CMA (Centered Moving
Average), WMA (Weight Moving Average), SES (Single Exponential
Smoothing), DES (Double Exponential Smooting) dan Linear Regresi.
3. Metode terbaik dalam forecasting ditentukan dengan melakukan
perhitungan forecasting dengan menggunakan 7 metode yang diminta
terlebih dahulu, dimana metode peramalan dengan nilai error terkecil
dipilih sebagai metode peramalan terbaik yang paling sesuai untuk
meramalkan demand karena semakin kecil kesalahan yang terjadi maka
hasil peramalan semakin akurat. Semakin kecil nilai error yang dimiliki
suatu metode peramalan, maka akan semakin baik prediksi yang
diberikan metode tersebut. Dalam pengolahan data ini, metode yang
terpilih adalah metode Centered Moving Average.

Modul 5 Forecasting
Kelompok 2
4. Cara melakukan verifikasi data dilakukan dengan menghitung MAD,

MSE, PE, MAPE dan CFE dari 7 metode yang diminta, kemudian
setelah itu melakukan rekapitulasi nilai error. Dapat dilihat dari
perhitungan verifikasi dan direkapitulasikan, nilai error yang terkecil
pada pengolahan data ini terdapat pada metode Centered Moving
Average dimana nilai PE= -12,03, MSE= 3750731,15, MAD= 6819,78,
MAPE= 61,04 dan CFE= -7323,14. Selanjutnya dilakukan perhitungan
validasi dengan metode Moving Range. Dari hasil plotting data nilai
error yang dilakukan terlihat bahwa peramalan yang dilakukan tidak
ada yang melebihi nilai UCL dan LCL atau masih berada didalam batas
UCL-LCL. Hal ini dapat disimpulkan bahwa metode Centered Moving
Average merupakan metode terbaik karena sudah dianggap valid.
5.2 Saran
Adapun saran untuk Praktikum Terintegrasi Industri II selanjutnya
adalah :
1. Praktikan sebaiknya lebih teliti dalam melakukan perhitungan baik
perhitungan menggunakan software maupun perhitungan secara
manual.
2. Sebelum memulai praktikum, sebaiknya baca dan pahami terlebih
dahulu materi tentang metode-metode forecasting atau peramalan agar
pada saat melakukan perhitungan dapat dilakukan dengan mudah.

DAFTAR PUSTAKA
Assauri, Sofyan. 1984. Teknik & Metode Peramalan : Penerapannya Dalam
Ekonomi & Dunia Usaha. Edisi Pertama. Lembaga Penerbit Fakultas
Ekonomi Universitas Indonesia, Jakarta. Jakarta.
Biegel, John E. 1999. Pengendalian Produksi Suatu Pendekatan Kuantitatif.

Akademika Presindo: Jakarta.
Buffa, Elwood S dan Rakesh K Sarin. 1996. Manajemen Operasi dan Produksi
Modern. Edisi 8. Jakarta: Binarupa Aksara.
Dervitsiotis, Kostas N. 1981. Operations Managemants. Singapore: McGraw Hill
Gasperz. 1998. Production Planning and Inventory Control. Jakarta: Gramedia

Pustaka Utama.
Hanke, J. E. & Wichers, D. 2005. Business Forecasting Eight Edition. New

Jersey. Pearson Prentice hall
Heizer, Jay dan Barry Rander. 2006. Operations Management. Buku 2 Edisi ke
Tujuh. Penerbit Salemba Empat.
Lerbin R., Aritonga R.. 2002. Peramalan Bisnis.Jakarta: Ghalia Indonesia
Makridakis, S., S. Wheelwright., dan V. E. McGee. 1999. Metode dan Aplikasi

Peramalan. Edisi kedua. Jilid Satu. Jakarta: Binarupa Aksara.
Makridakis, Spyross, Steven C., Whellwright, Victore Mcgee, Untung Sus

Adriyanto, Abdul Basith. 1988. Metoda dan Aplikasi Peramalan. Jilid Satu
Edisi Kedua, Jakarta: Erlangga.
Subagyo, Pangestu. 2004. Statistik Terapan. Yogyakarta: BPFE
Tampubolon P., Manahan. 2004. Manajemen Operasional. Edisi Pertama. Jakarta:

Ghalia Indonesia.

PERAMALAN DATA

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

PERAMALAN DATA

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM

PERANCANGAN TERINTEGRASI INDUSTRI II

PROGRAM STUDI TEKNIK INDUSTRI

DAFTAR ISI .......................................................................................................... ii

Program Studi Teknik Industri ii

3.2.4 Validasi Metode .............................................................................. 76

Program Studi Teknik Industri iii

Program Studi Teknik Industri iv

Program Studi Teknik Industri v

Program Studi Teknik Industri 1

pengamatan, mencari nilai rata-rata tersebut sebagai ramalan untuk periode

Program Studi Teknik Industri 2

1.3.2 Pembatasan Masalah

Program Studi Teknik Industri 3

1.4 Metodologi Praktikum

Persiapan alat dan bahan

Pengumpulan data historis

Kesimpulan dan saran

Gambar 1.1 Flowchart Praktikum

Program Studi Teknik Industri 4

1.4.2 Penjelasan Flowchart Praktikum

Program Studi Teknik Industri 5

Program Studi Teknik Industri 6

Program Studi Teknik Industri 7

Program Studi Teknik Industri 8

e. Menurut Kostas (1981): “Peramalan merupakan suatu dugaan terhadap

Program Studi Teknik Industri 9

ketidakpastian dalam menentukan perencanaan. Dalam dunia usaha,

Program Studi Teknik Industri 10

digunakan ketika terdapat faktor-faktor yang menyebabkan data menjadi

Program Studi Teknik Industri 11

Program Studi Teknik Industri 12

Berikut ini merupakan tahapan dalam penyusunan peramalan dengan

Program Studi Teknik Industri 13

Gambar 2.1 Contoh Pola Data Horizontal

Program Studi Teknik Industri 14

Gambar 2.2 Contoh Pola Data Trend Naik

Gambar 2.3 Contoh Pola Data Musiman

Gambar 2.4 Contoh Pola Data Siklis

Program Studi Teknik Industri 15

Program Studi Teknik Industri 16

Tabel 2.1 Contoh Metode Simple Average

Program Studi Teknik Industri 17

Contoh perhitungan dengan t=4

Tabel 2.2 Perhitungan Metode Single Moving Average

c X(t) F(t) E |e| Error^2 PE |PE|

3. Weighted Moving Average

Program Studi Teknik Industri 18

Contoh perhitungan dengan t=4 dan bobot yang sudah ditentukan

(𝑋5 𝑥 𝑏1 ) + (𝑋6 𝑥 𝑏2 ) + (𝑋7 𝑥 𝑏3 ) + (𝑋8 𝑥𝑏4 )

4. Centered Moving Average

Program Studi Teknik Industri 19

Tabel 2.4 Perhitungan Metode Centered Moving Average

5. Single Exponential Smoothing

Program Studi Teknik Industri 20

Tabel 2.5 Perhitungan Metode Single Exponential Smoothing

6. Double Exponential Smoothing (DES)

Program Studi Teknik Industri 21

1) Menentukan smoothing pertama

Contoh Perhitungan manual :

Program Studi Teknik Industri 22

Tabel 2.6 Contoh Metode Double Eksponential Smoothing

Program Studi Teknik Industri 23