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
DAFTAR ISI
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
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
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
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
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
Selesai
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.
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.
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”.
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.
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.
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.
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 n1
St ................................... (2.2)
n
Dimana:
St+1 = Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.
𝐹9 = 2736
= 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
Contoh:
∝ = 0,042
SES = (∝Xt + (1-∝) Ft-1)
SES = (0,042 x 9955 + (0,958) 9955) = 9,955
5) Menentukan forecast
Ft+m = at + btm ....................................................(2.10)
m : adalah jangka waktu forecast kedepan
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
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
∑𝑛 𝑒 2 ......................................(2.22)
𝑆𝐷𝐸 = √ 𝑖=1 𝑖
(𝑛 − 1)
Dimana:
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.
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
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
𝐶𝐹𝐸4 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=2
𝑃𝐸4 = 2,67%
BAB III
PENGOLAHAN DATA DAN PEMBAHASAN
= 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
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
|𝑒𝑟𝑟𝑜𝑟16 | = 𝑒𝑟𝑟𝑜𝑟16
|𝑒𝑟𝑟𝑜𝑟16 | = 348
𝑒𝑟𝑟𝑜𝑟16 2 = 3482
𝑒𝑟𝑟𝑜𝑟16 2 = 121057
−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
∑16
𝑡=2 |𝑃𝐸𝑡 |
𝑀𝐴𝑃𝐸16 =
16 − 1
|𝑃𝐸2 | + |𝑃𝐸3 | + ⋯ + |𝑃𝐸15 | + |𝑃𝐸16 |
𝑀𝐴𝑃𝐸16 =
15
𝑀𝐴𝑃𝐸16
(−7,8198419) + (3,563161) + ⋯ + (−8,086) + (2,98)
=
15
𝑀𝐴𝑃𝐸16 = 5,44%
16
𝐶𝐹𝐸16 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=2
𝐶𝐹𝐸16 = 𝑒𝑟𝑟𝑜𝑟2 + 𝑒𝑟𝑟𝑜𝑟3 + ⋯ + 𝑒𝑟𝑟𝑜𝑟15 + 𝑒𝑟𝑟𝑜𝑟16
𝐶𝐹𝐸16 = (−900) + (442) + ⋯ + (−903) + (−348)
𝐶𝐹𝐸16 = −4692,00
13000
12000 Demand
Peramalan
11000
10000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
|𝑃𝐸16 | = 3,28%
𝑀𝑆𝐸16
𝑒𝑟𝑟𝑜𝑟52 + 𝑒𝑟𝑟𝑜𝑟62 + ⋯ + 𝑒𝑟𝑟𝑜𝑟15
2 2
+ 𝑒𝑟𝑟𝑜𝑟16
=
12
𝑀𝑆𝐸16
(579)2 + (561)2 + ⋯ + (−183)2 + (383)2
=
12
𝑀𝑆𝐸16 =336265,79
∑16
𝑡=5|𝑒𝑟𝑟𝑜𝑟𝑡 |
𝑀𝐴𝐷16 =
16 − 4
𝑀𝐴𝐷16
|𝑒𝑟𝑟𝑜𝑟5 | + |𝑒𝑟𝑟𝑜𝑟6 | + ⋯ + |𝑒𝑟𝑟𝑜𝑟15 | + |𝑒𝑟𝑟𝑜𝑟16 |
=
12
𝑀𝐴𝐷16
|(579) + (561) + ⋯ + (−183) + (383)|
=
12
𝑀𝐴𝐷16 =519,70
∑16
𝑡=5 |𝑃𝐸𝑡 |
𝑀𝐴𝑃𝐸16 =
16 − 4
|𝑃𝐸5 | + |𝑃𝐸6 | + ⋯ + |𝑃𝐸15 | + |𝑃𝐸16 |
𝑀𝐴𝑃𝐸16 =
12
(4,50) + (1,25) + ⋯ + (1,63) + (3,28)
𝑀𝐴𝑃𝐸16 =
15
𝑀𝐴𝑃𝐸16 = 4,42%
16
𝐶𝐹𝐸16 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=5
𝑒𝑟𝑟𝑜𝑟16 = 817
|𝑒𝑟𝑟𝑜𝑟16 | = 𝑒𝑟𝑟𝑜𝑟16
|𝑒𝑟𝑟𝑜𝑟16 | = 386
𝑒𝑟𝑟𝑜𝑟16 2 = 3862
𝑒𝑟𝑟𝑜𝑟16 2 = 148653
𝑒𝑟𝑟𝑜𝑟16
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
𝑒𝑟𝑟𝑜𝑟52 + 𝑒𝑟𝑟𝑜𝑟62 + ⋯ + 𝑒𝑟𝑟𝑜𝑟15
2 2
+ 𝑒𝑟𝑟𝑜𝑟16
𝑀𝑆𝐸16 =
12
(672) + (517) + ⋯ + (−2,92)2 + (386)2
2 2
𝑀𝑆𝐸16 =
12
𝑀𝑆𝐸16 =348301
∑16
𝑡=5|𝑒𝑟𝑟𝑜𝑟𝑡 |
𝑀𝐴𝐷16 =
16 − 4
|𝑒𝑟𝑟𝑜𝑟5 | + |𝑒𝑟𝑟𝑜𝑟6 | + ⋯ + |𝑒𝑟𝑟𝑜𝑟15 | + |𝑒𝑟𝑟𝑜𝑟16 |
𝑀𝐴𝐷16 =
12
∑16
𝑡=5 |𝑃𝐸𝑡 |
𝑀𝐴𝑃𝐸16 =
16 − 4
|𝑃𝐸5 | + |𝑃𝐸6 | + ⋯ + |𝑃𝐸15 | + |𝑃𝐸16 |
𝑀𝐴𝑃𝐸16 =
12
(5,21) + (3,98) + ⋯ + (2,60) + (53,30)
𝑀𝐴𝑃𝐸16 =
15
𝑀𝐴𝑃𝐸16 = 4,59%
16
𝐶𝐹𝐸16 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=5
𝐶𝐹𝐸16 = 𝑒𝑟𝑟𝑜𝑟5 + 𝑒𝑟𝑟𝑜𝑟6 + ⋯ + 𝑒𝑟𝑟𝑜𝑟15 + 𝑒𝑟𝑟𝑜𝑟16
𝐶𝐹𝐸16 = (672) + (517) + ⋯ + (−292) + (386)
𝐶𝐹𝐸16 = −2696,56
Y L−1 + ⋯ Y𝑡 + ⋯ + Y L−1
𝑡−( ) 𝑡+( )
2 2
CMA𝑡 =
L
X2 + X3 + X4 11506 + 12397 + 12869
CMA3 = = = 12258
L 3
|e3 | = 139,86
e23 = 19561,19
|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
∑𝑛
𝑡=2|error𝑡 |
3. MAD𝑛 = 𝑛−1
∑𝑛
𝑡=2 PE𝑡
4. MAPE𝑛 = 𝑛−1
|PE2 | + |PE3 | 5,18% + 1,13%
MAPE3 = = = 3,15%
𝑛 2
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
𝑒𝑟𝑟𝑜𝑟5 = 𝑋5 − 𝐹5
𝑒𝑟𝑟𝑜𝑟5 = 446,08–12427,89=446,08
𝐶𝐹𝐸5 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=2
𝑀𝑆𝐸5 = 275332,6
|𝑒𝑟𝑟𝑜𝑟5 |
𝑃𝐸5 = 𝑥 100
𝑋5
|446,08|
𝑃𝐸5 = 𝑥 100
12874
𝑃𝐸5 = 3,46%
∑5𝑡=2 𝑃𝐸𝑡
𝑀𝐴𝑃𝐸5 =
5−1
|𝑃𝐸2 | + |𝑃𝐸3 | + ⋯ + |𝑃𝐸5 |
𝑀𝐴𝑃𝐸5 =
4
𝑀𝐴𝑃𝐸5 = 3,72%
Periode Demand Peramalan E |e| e^2 PE |PE| MSE MAD MAPE CFE
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
Periode Demand Peramalan E |e| e^2 PE |PE| MSE MAD MAPE CFE
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
′
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
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
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
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
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:
𝑛
𝐶𝐹𝐸𝑛 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=2
∑𝑛𝑡=2|𝑒𝑟𝑟𝑜𝑟𝑡 |
𝑀𝐴𝐷𝑛 =
𝑛−1
∑𝑛𝑡=2 𝑒𝑟𝑟𝑜𝑟𝑡2
𝑀𝑆𝐸𝑛 =
𝑛−1
∑𝑛𝑡=2 𝑃𝐸𝑡
𝑀𝐴𝑃𝐸𝑛 =
𝑛−1
dimana,
|𝑒𝑟𝑟𝑜𝑟𝑡 |
𝑃𝐸𝑡 = 𝑥 100
𝑋𝑡
𝑒𝑟𝑟𝑜𝑟5 = 𝑋5 − 𝐹5
𝐶𝐹𝐸5 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=2
𝑀𝑆𝐸5 = 33263073,27
|𝑒𝑟𝑟𝑜𝑟5 |
𝑃𝐸5 = 𝑥 100
𝑋5
|506,60|
𝑃𝐸5 = 𝑥 100
12874
𝑃𝐸5 = 3,94%
∑5𝑡=2 𝑃𝐸𝑡
𝑀𝐴𝑃𝐸5 =
5−2
|𝑃𝐸2 | + |𝑃𝐸3 | + ⋯ + |𝑃𝐸5 |
𝑀𝐴𝑃𝐸5 =
4
𝑀𝐴𝑃𝐸5 = 27,53 %
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
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
(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
Selain perhitungan peramalan, juga terdapat perhitungan error dan
besar kesalahan terhadap hasil peramalan. Adapun cara menghitung
error adalah sebagai berikut:
𝑒𝑟𝑟𝑜𝑟𝑡 = 𝑋𝑡 − 𝐹𝑡
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:
𝑛
𝐶𝐹𝐸𝑛 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=2
∑𝑛𝑡=2|𝑒𝑟𝑟𝑜𝑟𝑡 |
𝑀𝐴𝐷𝑛 =
𝑛−1
∑𝑛𝑡=2 𝑒𝑟𝑟𝑜𝑟𝑡2
𝑀𝑆𝐸𝑛 =
𝑛−1
∑𝑛𝑡=2|𝑃𝐸𝑡 |
𝑀𝐴𝑃𝐸𝑛 =
𝑛−1
dimana,
𝑒𝑟𝑟𝑜𝑟𝑡
𝑃𝐸𝑡 = 𝑥 100%
𝑋𝑡
Perhitungan manual:
𝑒𝑟𝑟𝑜𝑟5 = 𝑋5 − 𝐹5
𝐶𝐹𝐸5 = ∑ 𝑒𝑟𝑟𝑜𝑟𝑡
𝑡=2
𝑀𝑆𝐸5 = 846653
|𝑒𝑟𝑟𝑜𝑟5 |
𝑃𝐸5 = 𝑥 100
𝑋5
|1424|
𝑃𝐸5 = 𝑥 100
17599
𝑃𝐸5 = 8,09%
∑5𝑡=2 𝑃𝐸𝑡
𝑀𝐴𝑃𝐸5 =
5−1
|𝑃𝐸2 | + |𝑃𝐸3 | + ⋯ + |𝑃𝐸5 |
𝑀𝐴𝑃𝐸5 =
4
𝑀𝐴𝑃𝐸5 = 2,47 %
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
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
Peta Moving Range yang telah di-plotting dapat dilihat sebagai berikut.
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
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
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
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.
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.
Buffa, Elwood S dan Rakesh K Sarin. 1996. Manajemen Operasi dan Produksi
Modern. Edisi 8. Jakarta: Binarupa Aksara.
Heizer, Jay dan Barry Rander. 2006. Operations Management. Buku 2 Edisi ke
Tujuh. Penerbit Salemba Empat.