BAB III

TIME SERIES AND FORECASTING

3.1 Pengumpulan Data

Perusahaan terkenal di Indonesia PT Perasho akan merencanakan produksi untuk

produk unggulan mereka. Perencanaan produksi kali ini pihak perusahaan ingin
departemen pemasaran teliti terhadap jumlah bahan yang diproduksi. Oleh karena itu
departemen pemasaran PT Perasho ingin memecahkan masalah tersebut dengan
menggunakan metode Time Series dan Forcesting. Kegiatan untuk merencanakan dan
menjadwalkan produksi PT Perasho dalam pemenuhan kuantitas barang melalui
perencanaan serta permasalahan produksi yang sedang dihadapi.

Data-data diperoleh dari studi kasus PT Perasho yaitu sebuah perusahaan yang bergerak
dibidang produksi regulator. Salah satu produk yang dihasilkan adalah Air Flow
Regulator. Berdasarkan data-data yang diperoleh dari bagian pemasaran PT Perasho
jumlah penjualan produk dalam 48 minggu terakhir yaitu dapat dilihat pada Tabel 3.1
berikut:

Tabel 3.1 Data Penjualan PT Hibiscus

Minggu Unit Minggu Unit Minggu Unit Minggu Unit
1 373 13 297 25 359 37 325
2 301 14 321 26 331 38 324
3 314 15 416 27 401 39 307
4 377 16 222 28 311 40 298
5 401 17 387 29 319 41 301
6 398 18 351 30 363 42 314
7 415 19 312 31 315 43 309
8 219 20 272 32 391 44 301
9 321 21 371 33 324 45 318
10 421 22 308 34 344 46 320
11 331 23 312 35 289 47 363
12 303 24 427 36 410 48 410
3.2 Pengolahan Data

Berdasarkan dari data hasil penjualan yang telah terkumpul di atas maka langkah
selanjutnya adalah melakukan pengolahan data yang dilakukan oleh kelompok 4.2 pada
data hasil penjualan dari PT Perasho. Perhitungan yang dilakukan pada metode time
series and forecasting terbagi menjadi dua cara yaitu pengolahan data secara manual
yang dengan menggunakan software Microsoft Excel dan pengolahan data secara
komputerisasi yang dilakukan dengan menggunakan software QS. Berdasarkan hasil
dari pengolahan data yang diperoleh dari penjualan PT Perasho, hasil dari jumlah
penjualan 12 bulan terakhir dapat dilihat pada Tabel 3.2 adalah sebagai berikut:

Tabel 3.2 Data Penjualan PT Perasho dalam 12 Bulan Terakhir

Periode 1 2 3 4 5 6 7 8 9 10 11 12
Permintaan 1365 1433 1376 1256 1322 1418 1402 1388 1367 1254 1225 1411

Berdasarkan data penjualan 12 bulan terakhir tersebut kemudian diplotkan dalam

bentuk grafik untuk mengetahui pola yang terbentuk dari data tersebut, kemudian
setelah mendapatkan pola data yang terbentuk maka kemudian menentukan metode
yang digunakan sesuai dengan pola di atas untuk menyelesaikan persoalan di atas.
Grafik pola data penjualan pada PT Perasho tersebut dapat dilihat pada Gambar 3.1
sebagai berikut:

Gambar 3.1 Grafik Penjualan Produk PT Perasho Selama 12 Bulan Terakhir

Berdasarkan gambar grafik di atas, dapat dilihat bahwa pola data pada grafik yang
terbentuk untuk penjualan produk selama 12 periode terakhir pada PT Perasho adalah
membentuk pola yang musiman atau seasonal. Terjadinya fluktuasi pada waktu tertentu
dengan adanya pola musiman yang berulang dari periode ke periode berikutnya hingga
bulan tertentu dengan interval waktu yang relatif sama, maka metode peramalan yang
cocok digunakan adalah sebagai berikut:
1. Single Exponential Smoothing (SES),
2. Double Exponential Smoothing (DES), dan
3. Adaptive Exponential Smoothing (AES).

3.2.1 Pengolahan Data Secara Manual

Berdasarkan data yang telah terkumpul dan penentuan metode diatas maka langkah
selanjutnya adalah melakukan pengolahan data oleh kelompok 4.2 pada data penjualan
PT Perasho. Perhitungan pada metode time series and forcasting pada data penjualan PT
Perasho di atas dapat dilakukan dengan menggunakan tiga metode peramalan yang
sesuai yaitu metode Single Exponential Smoothing (SES), metode Double Exponential
Smoothing (DES), dan metode Adaptive Exponential Smoothing (AES) yang diolah
secara manual dengan menggunakan software Microsoft Excel adalah sebagai berikut:
1. Single Exponential Smoothing (SES)
Pengolahan data penjualan yang pertama dilakukan dengan menggunakan metode
Single Exponential Smoothing (SES) dengan nilai alpha () dari 0,1 sampai dengan
0,9, kemudian untuk mencari nilai MAD (Mean Square Deviation) terkecil, maka
diperlukan perhitungan untuk menentukan nilai alpha () yang paling kecil yaitu
alpha () 0,1. Berikut adalah nilai MAD untuk masing-masing alpha () dapat
dilihat pada Tabel 3.3 adalah sebagai berikut:

Tabel 3.3 Nilai MAD untuk Masing-masing Alpha ()

Alpha () MAD
0,1 60,407
0,2 62,629
0,3 64,816
0,4 65,995
0,5 66,108
Tabel 3.3 Nilai MAD untuk Masing-masing Alpha () (lanjutan)
 Alpha () MAD
0,6 68,218
0,7 69,678
0,8 70,146
0,9 70,791

Berdasarkan hasil nilai MAD untuk masing-masing alpha () di atas maka dapat
dijabarkan dengan perhitungan sebagai berikut:
a. Forecasting
Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan
apa yang akan terjadi pada masa yang akan dating dengan waktu yang relative
lama. Dalam melakukan peramalan dengan menggunakan metode Single
Exponential Smoothing (SES), besarnya α (alpha) ditentukan dengan metode
trial and error sampai ditemukan α (alpha) yang menghasilkan forecast error
terkecil. Metode ini lebih cocok digunakan untuk meramal data-data yang
fluktuatif secara random. Persamaan untuk perhitungan forecasting menggunakan
metode Single Exponential Smoothing (SES) pada Persamaan 3.1 sebagai
berikut:
F(t) = α.A(t) + (1 – α).F(t – 1) ………………..……….……….…..…........ (3.1)
dengan: Α = nilai alpha,

A(t) = nilai permintaan (demand),

F(t) = nilai ramalan ke-n,

F(t-1) = nilai ramalan ke-n dikurang satu, dan

T = nilai ke-n.

Berdasarkan persamaan untuk menghitungan forecasting menggunakan metode

Single Exponential Smoothing (SES) pada Persamaan 3.1 di atas, maka nilai
peramalan ke-13 adalah sebagai berikut:
A(t) = 1411
F(t-1) = 1344,015
F(t) = (0,1) (1411) + (1 – 0,1)(1344,015)
= 141,100 + 1209,614
= 1350,714 unit
≈ 1350 unit
b. Nilai Error (e)
Persamaan untuk menentukan nilai MAD, MSD, dan TS langkah sebelumnya
perlu mengetahui nilai kesalahan peramalan pada periode t (e(t)). Perhitungan
nilai e(t) dapat menggunakan Persamaan 3.2 adalah sebagai berikut:
e(t) = A(t) – F(t) .............................................................................................. (3.2)
dengan: A(t) = permintaan aktual, dan
F(t) = nilai peramalan.

Berdasarkan persamaan untuk menghitungan nilai error (e) menggunakan

metode Single Exponential Smoothing (SES) pada Persamaan 3.2 di atas maka
nilai peramalan ke-13 adalah sebagai berikut:
e(t) = 1433 – 1365
= 68
c. Mean Absolute Deviation (MAD)
Perhitungan yang dilakukan untuk mengetahui nilai MAD dapat dilakukan
dengan menggunakan Persamaan 3.3 adalah sebagai berikut:

MAD = ........................................................................................... (3.3)

dengan: MAD = mean absolute deviation,

N = periode, dan
= jumlah absolut kumulatif error.

Berdasarkan rumus perhitungan mean absolute deviation (MAD) dengan

menggunakan metode Single Exponential Smoothing (SES) pada Persamaan 3.3
di atas maka nilai peramalan ke-13 adalah sebagai berikut:

MAD =

MA= 60,407
d. Mean Square Deviation (MSD)
Perhitungan yang dilakukan untuk mengetahui nilai MSD dapat dilakukan
dengan menggunakan Persamaan 3.4 adalah sebagai berikut:

MSD = ...........................................................................................(3.4)

dengan: MSD = mean square deviation,

N = periode, dan
= jumlah error kuadrat.
 Berdasarkan rumus perhitungan mean square deviation (MSD) menggunakan
metode Single Exponential Smoothing (SES) pada Persamaan 3.4 di atas maka
nilai peramalan ke-13 adalah sebagai berikut:

MSD =

MAD= 5500,881
Berikut ini adalah tabel hasil pengolahan data secara manual yaitu dengan yang
dilakukan dengan menggunakan software Microsoft Excel dengan nilai α (alpha)
sebesar 0,1 dapat dilihat pada Tabel 3.4 adalah sebagai berikut:

Tabel 3.4 Perhitungan Secara Manual dengan Metode SES dengan alpha () 0,1
Demand
Periode F(t) e(t) |e(t)| ∑ e(t) ∑ |e(t)| e2(t) ∑ e(t)2 MAD MSD TS
(A(t))
1 1365 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

2 1433 1365,000 68,000 68,000 68,000 68,000 4624,000 4624,000 68,000 4624,000 1,000

3 1376 1371,800 4,200 4,200 72,200 72,200 17,640 4641,640 36,100 2320,820 2,000

4 1256 1372,220 -116,220 116,220 -44,020 188,420 13507,088 18148,728 62,807 6049,576 -0,701

5 1322 1360,598 -38,598 38,598 -82,618 227,018 1489,806 19638,534 56,754 4909,634 -1,456

6 1418 1356,738 61,262 61,262 -21,356 288,280 3753,008 23391,542 57,656 4678,308 -0,370

7 1402 1362,864 39,136 39,136 17,779 327,415 1531,597 24923,139 54,569 4153,856 0,326

8 1388 1366,778 21,222 21,222 39,001 348,637 450,376 25373,515 49,805 3624,788 0,783

9 1367 1368,900 -1,900 1,900 37,101 350,538 3,611 25377,125 43,817 3172,141 0,847

10 1254 1368,710 -114,710 114,710 -77,609 465,248 13158,415 38535,540 51,694 4281,727 -1,501

11 1225 1357,239 -132,239 132,239 -209,848 597,487 17487,185 56022,725 59,749 5602,272 -3,512

12 1411 1344,015 66,985 66,985 -142,863 664,472 4486,962 60509,687 60,407 5500,881 -2,365
1350,714 cacat 5% 1421,804

Berdasarkan hasil pengolahan data secara manual yaitu dengan menggunakan

software Microsoft Excel dengan nilai α (alpha) sebesar 0,1 pada Tabel 3.4 di
atas maka didapatkan bahwa berdasarkan peramalan maka nilai peramalan
penjualan pada bulan ke 13 yaitu sebesar 1350,714 unit yang kemudian
dibulatkan menjadi 1350 unit lalu langkah berikutnya adalah memplotkan nilai
tracking signal kedalam grafik yang dapat dilihat pada Gambar 3.2 sebagai
berikut:
 Gambar 3.2 Grafik Tracking signal SES dengan nilai alpha (α) 0,1

2. Double Exponential Smoothing (DES)

Pengolahan data penjualan yang kedua dilakukan dengan menggunakan metode
Double Exponential Smoothing (DES) dengan nilai alpha () yang berkisar dari 0,1
sampai dengan 0,9, kemudian untuk mencari nilai MAD (Mean Square Deviation)
terkecil, maka diperlukan perhitungan untuk menentukan nilai alpha () yang paling
kecil yaitu alpha () 0,1. Berikut adalah nilai MAD untuk masing-masing alpha ()
dapat dilihat pada Tabel 3.5 adalah sebagai berikut:

Tabel 3.5 Hasil nilai MAD untuk Masing-masing Alpha ()

Alpha () MAD
0,1 58,859
0,2 66,394
0,3 65,425
0,4 66,054
0,5 67,142
0,6 68,349
0,7 69,338
0,8 69,826
0,9 70,857

Berdasarkan hasil nilai MAD untuk masing-masing alpha () di atas maka dapat
dijabarkan dengan perhitungan sebagai berikut:

a. Forecasting
 Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan
apa yang akan terjadi pada masa yang akan dating dengan waktu yang relative
lama. Dalam melakukan peramalan dengan menggunakan metode Double
Exponential Smoothing (DES), besarnya α (alpha) ditentukan dengan metode
trial and error sampai ditemukan α (alpha) yang menghasilkan forecast error
terkecil. Metode ini lebih cocok digunakan untuk meramal data-data yang
fluktuatif secara random. Persamaan untuk perhitungan forecasting menggunakan
metode Double Exponential Smoothing (DES) pada Persamaan 3.1 sebagai
berikut:
F(t) = α.A(t) + (1 – α).F(t – 1) ………………..……….……….…..…....... (3.5)
F’(t) = .F(t) + (1 – α).F(t – 1) ………………..……….……….…..…....... (3.6)
dengan: α = nilai alpha,

F’(t-1) = Nilai peramalan periode sebelumnya,

A(t) = nilai permintaan (demand),

F(t) = nilai ramalan ke-n,

F(t-1) = nilai ramalan ke-n dikurang satu, dan

T = nilai ke-n.

Berdasarkan persamaan perhitungan forecasting dengan menggunakan metode

Double Exponential Smoothing (DES) pada Persamaan 3.5 dan Persamaan 3.6 di
atas maka nilai peramalan ke-13 adalah sebagai berikut:
A(t) = 1411
F(t-1) = 1344,015
F(t) = (0,1) (1411) + (1 – 0,1)(1344,015)
= 141,100 + 1209,614
= 1350,714 unit
≈ 1350 unit
F’(t) = (0,1) (1350,714) + (1 – 0,1)(1362,703)
= 135,071 + 1226,433
= 1361,504 unit
≈ 1361 unit
b. Nilai Error (e)
Perhitungan untuk menentukan nilai MAD, MSD, dan TS namun sebelumnya
perlu diketahui nilai kesalahan peramalan pada periode t (e(t)). Berdasarkan
persamaan perhitungan nilai error (e) menggunakan metode Double Exponential
 Smoothing (DES) pada Persamaan 3.2 di atas maka nilai peramalan ke-13 adalah
sebagai berikut:
e(t) = 1411 – 1362,703
= 48,297
c. Mean Absolute Deviation (MAD)
Perhitungan yang dilakukan untuk menentukan nilai MAD berdasarkan
persamaan perhitungan mean absolute deviation (MAD) dengan menggunakan
metode Double Exponential Smoothing (DES) pada Persamaan 3.3 di atas maka
nilai peramalan ke-13 adalah sebagai berikut:

MAD =

MA= 58,859
d. Mean Square Deviation (MSD)
Perhitungan yang dilakukan untuk menentukan nilai MSD berdasarkan
persamaan perhitungan mean square deviation (MSD) dengan menggunakan
metode Double Exponential Smoothing (DES) pada Persamaan 3.4 di atas maka
nilai peramalan ke-13 adalah sebagai berikut:

MSD =

MAD= 5264,068

Berikut ini adalah tabel hasil pengolahan data secara manual yaitu dengan
menggunakan software Microsoft Excel pada nilai α (alpha) sebesar 0,1 yang
dapat dilihat pada Tabel 3.6 adalah sebagai berikut:

Tabel 3.6 Perhitungan Secara Manual dengan Metode DES dengan alpha () 0,1
Demand
Periode F(t) F(t)' e(t) |e(t)| ∑ e(t) ∑ |e(t)| e2(t) ∑ e2(t) MAD MSD TS
(A(t))
1 1365 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 1433 1365,000 1365,000 68,000 68,000 68,000 68,000 4624,000 4624,000 68,000 4624,000 1,000
3 1376 1371,800 1365,680 10,320 10,320 78,320 78,320 106,502 4730,502 39,160 2365,251 2,000
4 1256 1372,220 1366,334 -110,334 110,334 -32,014 188,654 12173,592 16904,094 62,885 5634,698 -0,509
5 1322 1360,598 1365,760 -43,760 43,760 -75,774 232,414 1914,973 18819,067 58,104 4704,767 -1,304
6 1418 1356,738 1364,858 53,142 53,142 -22,633 285,556 2824,053 21643,120 57,111 4328,624 -0,396
7 1402 1362,864 1364,659 37,341 37,341 14,709 322,897 1394,365 23037,485 53,816 3839,581 0,273
8 1388 1366,778 1364,871 23,129 23,129 37,838 346,027 534,964 23572,449 49,432 3367,493 0,765
9 1367 1368,900 1365,274 1,726 1,726 39,564 347,753 2,980 23575,429 43,469 2946,929 0,910
10 1254 1368,710 1365,617 -111,617 111,617 -72,053 459,370 12458,423 36033,852 51,041 4003,761 -1,412

Tabel 3.6 Perhitungan Secara Manual dengan Metode DES dengan alpha () 0,1
(lanjutan)
Demand
Periode F(t) F(t)' e(t) |e(t)| ∑ e(t) ∑ |e(t)| e2(t) ∑ e2(t) MAD MSD TS
(A(t))
11 1225 1357,239 1364,779 -139,779 139,779 -211,833 599,150 19538,305 55572,157 59,915 5557,216 -3,536
12 1411 1344,015 1362,703 48,297 48,297 -163,536 647,447 2332,595 57904,751 58,859 5264,068 -2,778
1350,714 1361,504 -163,536 cacat 5% 1421,804

Berdasarkan hasil pengolahan data secara manual yaitu dengan menggunakan

software Microsoft Excel pada nilai α (alpha) sebesar 0,1 di Tabel 3.6 di atas
didapatkan nilai peramalan penjualan pada bulan ke 13 yaitu sebesar 1350,714
unit yang dibulatkan menjadi 1350 unit dan kemudian langkah selanjutnya
adalah memplotkan nilai tracking signal kedalam grafik yang dapat dilihat pada
Gambar 3.3 adalah sebagai berikut:

Gambar 3.3 Grafik Tracking signal DES dengan nilai alpha (α) 0,1

3. Adaptive Exponential Smoothing (AES)

Pengolahan data yang ketiga dilakukan dengan menggunakan metode Adaptive
Exponential Smoothing (AES) dengan nilai alpha () yang berkisar dari 0,05 sampai
dengan 0,95. Perhitungan untuk menentukan nilai MAD (Mean Square Deviation)
terkecil, kemudian nilai alpha () yang paling kecil yaitu alpha () 0,05. Maka nilai
MAD untuk masing-masing alpha () dapat dilihat pada Tabel 3.7 adalah sebagai
berikut:

Tabel 3.7 Hasil nilai MAD untuk Masing-masing Alpha ()

Alpha () MAD
0,05 59,317
0,1 60,407
0,15 61,366
0,2 62,629
 0,25 63,837
0,3 64,816
0,35 65,541
0,4 65,995
0,45 66,169
0,5 66,108
0,55 67,104
0,6 68,218
0,65 69,076
0,7 69,678
0,75 70,031
0,8 70,146
0,85 70,138
0,9 70,791
0,95 71,230

Berdasarkan hasil nilai MAD untuk masing-masing alpha () di atas maka dapat
dijabarkan dengan perhitungan sebagai berikut:
a. Forecasting
Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan
apa yang akan terjadi pada masa yang akan dating dengan waktu yang relative
lama. Dalam melakukan peramalan dengan menggunakan metode Adaptive
Exponential Smoothing (AES), besarnya α (alpha) ditentukan dengan metode
trial and error sampai ditemukan α (alpha) yang menghasilkan forecast error
terkecil. Metode ini lebih cocok digunakan untuk meramal data-data yang
fluktuatif secara random. Persamaan untuk perhitungan forecasting menggunakan
metode Adaptive Exponential Smoothing (AES) pada Persamaan 3.1 sebagai
berikut:
A(t) = 1411
F(t-1) = 1354,482
F(t) = (0,05) (1411) + (1 – 0,05)(1357,308)
= 70,550 + 1289,443

= 1357,308 unit
≈ 1357 unit
b. Nilai Error (e)
Perhitungan untuk menentukan nilai MAD, MSD, dan TS namun sebelumnya
perlu diketahui terlebih dahulu bahwa nilai kesalahan peramalan pada periode t
(e(t)). Berdasarkan rumus perhitungan nilai error (e) menggunakan metode
 Adaptive Exponential Smoothing (AES) pada Persamaan 3.2 di atas maka nilai
peramalan ke-13 adalah sebagai berikut:
e(t) = 1411 – 1354,482
= 56,518
c. Mean Absolute Deviation (MAD)
Perhitungan yang dilakukan untuk menentukan nilai MAD berdasarkan
persamaan perhitungan mean absolute deviation (MAD) dengan menggunakan
metode Adaptive Exponential Smoothing (AES) pada Persamaan 3.3 di atas maka
nilai peramalan ke-13 adalah sebagai berikut:

MAD =

MA= 59,317
d. Mean Square Deviation (MSD)
Perhitungan yang dilakukan untuk menentukan nilai MSD berdasarkan
persamaan perhitungan mean square deviation (MSD) dengan menggunakan
Adaptive Exponential Smoothing (AES) pada Persamaan 3.4 di atas maka nilai
peramalan ke-13 adalah sebagai berikut:

MSD =

MAD= 5345,588
Berikut ini adalah tabel hasil pengolahan data secara manual yaitu dengan
menggunakan software Microsoft Excel pada nilai α (alpha) sebesar 0,05 yang
dapat dilihat pada Tabel 3.8 adalah sebagai berikut:

Tabel 3.8 Perhitungan Secara Manual dengan Metode AES dengan alpha () 0,05
Period Demand ∑|
F(t) e(t) |e(t)| ∑ e(t) e2(t) ∑ e2(t) MAD MSD TS
e (A(t)) e(t)|
1 1365 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
2 1433 1365,000 68,000 68,000 68,000 68,000 4624,000 4624,000 68,000 4624,000 1,000

Tabel 3.8 Perhitungan Secara Manual dengan Metode AES dengan alpha () 0,05
(lanjutan)
Demand
Periode F(t) e(t) |e(t)| ∑ e(t) ∑ |e(t)| e2(t) ∑ e2(t) MAD MSD TS
(A(t))
3 1376 1368,400 7,600 7,600 75,600 75,600 57,760 4681,760 37,800 2340,880 0,201
4 1256 1368,780 -112,780 112,780 -37,180 188,380 12719,328 17401,088 62,793 5800,363 1,796
5 1322 1363,141 -41,141 41,141 -78,321 229,521 1692,582 19093,670 57,380 4773,418 0,717
6 1418 1361,084 56,916 56,916 -21,405 286,437 3239,437 22333,107 57,287 4466,621 0,994
7 1402 1363,930 38,070 38,070 16,665 324,507 1449,344 23782,451 54,085 3963,742 0,704
8 1388 1365,833 22,167 22,167 38,832 346,674 491,364 24273,815 49,525 3467,688 0,448
9 1367 1366,942 0,058 0,058 38,890 346,732 0,003 24273,818 43,342 3034,227 0,001
10 1254 1366,945 -112,945 112,945 -74,054 459,677 12756,465 37030,283 51,075 4114,476 2,211
11 1225 1361,297 -136,297 136,297 -210,351 595,974 18576,953 55607,236 59,597 5560,724 2,287
12 1411 1354,482 56,518 56,518 -153,834 652,492 3194,236 58801,472 59,317 5345,588 0,953
 1357,308 cacat 5% 1428,746

Berdasarkan hasil pengolahan data secara manual yaitu dengan menggunakan

software Microsoft Excel pada nilai α (alpha) sebesar 0,05 di Tabel 3.6 di atas
didapatkan bahwa berdasarkan peramalan maka nilai peramalan pada bulan ke
13 yaitu sebesar 1357,308 unit yang dibulatkan menjadi 1357 unit dan langkah
selanjutnya adalah memplotkan nilai tracking signal kedalam grafik yang dapat
dilihat pada Gambar 3.4 adalah sebagai berikut:

Gambar 3.4 Grafik Tracking Signal AES dengan nilai alpha (α) 0,05

4. Perhitungan produk cacat untuk metode terpilih

Perhitungan untuk produk cacat dengan metode yang terpilih dapat dilakukan
dengan menggunakan Persamaan 3.8 adalah sebagai berikut:

Pgij.t = .............................................................................................................(3.8)

dengan: Pgij.t = jumlah yang harus diproduksi (ij) dalam periode t,

F(t) = peramalan pada periode t, dan
Pij = persentase cacat produk.

Perhitungan untuk produk cacat dengan persentase 5% dilakukan dengan

menggunakan Persamaan 3.8 maka diperoleh hasil adalah sebagai berikut:
 Pgij.t =

= 1433,162 unit
1433 unit

3.2.2 Pengolahan Data Secara Komputerisasi

Berdasarkan data-data yang telah diolah secara manual maka langkah selanjutnya
adalah melakukan pengolahan data penjualan oleh kelompok 4.2 pada data penjualan
PT Perasho. Perhitungan dengan metode time series and forcasting pada data penjualan
PT Perasho dapat dilakukan dengan menggunakan tiga metode peramalan yang
digunakan yaitu metode Single Exponential Smoothing (SES), metode Double
Exponential Smoothing (DES), dan metode Adaptive Exponential Smoothing (AES)
yang diolah secara komputerisasi menggunakan software QS. Berikut adalah langkah-
langkah pengolahan data secara komputerisasi adalah sebagai berikut:
1. Single Exponential Smoothing (SES)
Pengolahan data secara komputerisasi yang langkah-langkah menggunakan software
QS yaitu sebagai berikut:
a. Buka software QS, lalu klik enter,
b. Pilih Modules-2, lalu pilih Time series and forecasting, dan klik Enter,
c. Pilih Input data, lalu dipilih Data entry,
d. Pada bagian Problem name diketik nama perusahaan yaitu PT Perasho,
e. Pada bagian Number of observation (data, rows) diketik angka 12,
f. Pada bagian Number of variables (colums) diketik angka 1,
g. Pada bagian Problem type dipilih Time series, kemudian klik OK,
h. Kemudian pada Historical data dimasukan data jumlah penjualan produk selama
12 periode, lalu diklik OK,
i. Kemudian dipilih Solution, lalu dipilih Select forecasting model, kemudian
dicentang Single exponential smoothing, dan diklik OK,
j. Klik Solution, kemudian dipilih Perform forecasting, kemudian diklik Enter,
k. Jika muncul pertanyaan For how many periods do you want to forecast? diketik
angka 6, kemudian ditekan enter,
l. Jika muncul pertanyaan Do you want TSFC to search the best parameters
(Y/N)?, diketik Y, kemudian ditekan Enter,
m. Pada Specifying search parameters masukkan angka 0 pada bagian Start from,
dan diketik angka 1 pada End at di jendela, lalu dklik OK,
 n. Bagian Search performance measure dipilih MSD, kemudian diklik OK,
o. Jika muncul pertanyaan Do you want to enter the initial forecasting or trend
(Y/N, N for default)?, diketik N, lalu ditekan Enter, dan
p. Langkah terakhir pilih Solution, kemudian diklik Show the forecasting result, lalu
ditekan Enter, maka hasil peramalan untuk PT Perasho akan keluar.
2. Double Exponential Smoothing (DES)
Pengolahan data secara komputerisasi yaitu dengan langkah-langkah menggunakan
software QS adalah sebagai berikut:
a. Pilih Solution, lalu dipilih Select forecasting model, kemudian dicentang pada
Double Exponential Smoothing, dan diklik OK,
b. Klik Solution, kemudian dipilih Perform forecasting, kemudian diklik Enter,
c. Jika muncul pertanyaan For how many periods do you want to forecast? diketik
angka 6, kemudian ditekan Enter,
d. Jika muncul pertanyaan Do you want TSFC to search the best parameters
(Y/N)?, diketik Y, kemudian ditekan Enter,
e. Pada jendela Specifying search parameters dimasukkan angka 0 pada bagian
Start from, dan diketik angka 1 pada End at.
f. Pada bagian Search performance measure dipilih MSD, kemudian diklik OK,
g. Jika muncul pertanyaan Do you want to enter the initial forecasting or trend
(Y/N, N for default)?, diketik N, lalu ditekan Enter, dan
h. Pilih Solution, kemudian diklik Show the forecasting result, lalu ditekan Enter,
maka hasil peramalan penjualan untuk PT Perasho keluar.
3. Adaptive Exponential Smoothing (AES)
Pengolahan data secara komputerisasi dilakukan dengan langkah-langkah
menggunakan software QS yaitu sebagai berikut:
a. Pilih Solution, lalu dipilih Select forecasting model, kemudian dicentang pada
Adaptive Exponential Smoothing, dan diklik OK,
b. Klik Solution, kemudian dipilih Perform forecasting, kemudian diklik Enter,
c. Jika muncul pertanyaan For how many periods do you want to forecast? diketik
angka 6, kemudian ditekan Enter,
d. Jika muncul pertanyaan Do you want TSFC to search the best parameters
(Y/N)?, diketik Y, kemudian ditekan Enter,
e. Pada jendela Specifying search parameters dimasukkan angka 0 pada bagian
Start from, dan diketik angka 1 pada End at.
f. Pada bagian Search performance measure dipilih MSD, kemudian diklik OK,
g. Jika muncul pertanyaan Do you want to enter the initial forecasting or trend
(Y/N, N for default)?, diketik N, lalu ditekan Enter, dan
 h. Pilih Solution, kemudian diklik Show the forecasting result, lalu ditekan Enter,
maka hasil peramalan penjualan untuk PT Perasho keluar.

Hasil yang didapatkan dari perhitungan peramalan penjualan PT Perasho dengan tiga
metode yaitu metode Single Exponential Smoothing (SES), metode Double
Exponential Smoothing (DES), dan metode Adaptive Exponential Smoothing (AES)
secara komputerisasi dapat dilihat pada Tabel 3.10 adalah sebagai berikut:

Tabel 3.10 Hasil Pengolahan Data Secara Komputerisasi

No Metode Periode Alpha MAD MSD

1 Single Exponential Smoothing (SES) 12 0,1 58,46 5203,11
2 Double Exponential Smoothing (DES) 12 0,1 58,46 5202,44
3 Adaptive Exponential Smoothing (AES) 12 0,05 59,72 5314,49

Pengamatan dari tabel hasil pengolahan data peramalan penjualan produk pada PT
Perasho secara komputerisasi diketahui bahwa metode yang memiliki nilai MSD
terkecil adalah metode Double Exponential Smoothing (DES) yaitu sebesar 5202,44
sehingga metode yang dipilih untuk dilakukan perhitungan selanjutnya adalah metode
Double Exponential Smoothing (DES). Metode Double Exponential Smoothing (DES)
akan dihitung nilai tracking signal dengan cara membagi nilai kumulatif error sebesar
-14,867 dengan nilai MAD sebesar 58,46, kemudian nilai tracking signal dengan
menggunakan Persamaan 3.7 adalah sebagai berikut:

TS =

= -0,254

Pengujian terhadap keandalan dari suatu peramalan dapat dilakukan dengan

menentukan nilai tracking signal data diatas adalah hasil ketika berdasarkan
perhitungan di atas diketahui nilai pada perhitungan tracking signal secara
komputerisasi ditemukan hasil adalah sebesar -0,254.

Perhitungan nilai penyesuaian dengan persentase cacat 5% dengan menggunakan

Persamaan 3.8 adalah sebagai berikut:
Pgij.t =

= 1433,162 unit

≈ 1433 unit

Hasil yang didapatkan dari perhitungan peramalan mengguanakan persamaan yang ada
tersebut kemudian dapat disimpulkan bahwa jumlah unit produksi yang harus
diproduksi perusahaan dengan penyesuaian pada persentase 5% adalah sebanyak
1433,162 unit yang dibulatkan menjadi 1433 unit.

3.3 Analisa dan Pembahasan

Tahapan selanjutnya adalah melakukan analisa dan pembahasan dengan cara

membandingkan pengolahan data secara manual maupun komputerisasi dan pada
akhirnya memilih metode pengerjaan tersebut metode peramalan yang paling efektif.
PT Perasho ingin melakukan peramalan penjualan mengenai produk dengan metode
Time Series and Forecasting, sebelumnya PT Perasho mempunyai data-data yang
berupa jumlah penjualan produk selama 48 minggu yang kemudian dikelompokkan
menjadi 12 bulan periode. Data selama 12 bulan tersebut diplotkan dalam bentuk grafik
untuk dilihat pola yang terbentuk. Setalah data diplotkan maka terbentuklah pola data
yang berupa pola musiman dan terjadi fluktuasi pada waktu-waktu tertentu dan
dipengaruhi oleh faktor musiman. Peramalan penjualan produk dengan pola data
musiman dapat menggunakan beberapa metode Single Exponential Smoothing (SES),
metode Double Exponential Smoothing (DES), dan metode Adaptive Exponential
Smoothing (AES).

Peramalan permintaan untuk masing-masing metode diatas dapat diolah dengan dua
cara yaitu secara manual yang menggunakan software Microsoft excel dan
komputerisasi menggunakan software QS. Langkah selanjutnya adalah melakukan
perhitungan nilai alpha maka dipilihlah nilai alpha dengan kesalahan paling kecil pada
masing-masing metode, pada metode Single Exponential Smoothing (SES) alpha yang
digunakan adalah 0,1, pada metode Double Exponential Smoothing (DES) alpha yang
digunakan adalah 0,1, dan pada metode Adaptive Exponential Smoothing (AES) alpha
yang digunakan adalah 0,05. Pada perhitungan alpha secara komputerisasi diketahui
nilai alpha pada metode SES adalah 0,000037, pada metode DES adalah 0,00658, serta
pada metode AES adalah 0,10000. Berikut ini adalah penjabaran setiap metode yang
ada:
1. Metode Single Exponential Smoothing (SES)
Pengolahan yang dilakukan secara manual dengan metode Single Exponential
Smoothing (SES) dari hasil perhitungan di atas dapat diketahui bahwa hasil
perhitungan manual dengan software Microsoft Excel adalah kesalahan peramalan
berjumlah -142,863, MAD adalah sebesar 60,407, nilai MSD adalah sebesar
5500,8811, nilai tracking signal sebesar -2,365, dan peramalan penjualan bulan ke
13 adalah sebesar 1350,714 unit yang dibulatkan menjadi 1350 unit dan hasil dari
penyesuaian dengan persentase cacat 5% adalah sebesar 1421,804 unit yang
dibulatkan menjadi 1421 unit.

Pengolahan data yang kedua dilakukan secara komputerisasi dengan software QS

alpha yang digunakan pada peramalan secara manual dan komputerisasi memiliki
perbedaan, kemudian pada software QS diperoleh nilai MAD adalah sebesar 58,46,
nilai MSD adalah sebesar 5203,11,dan hasil dari bias adalah sebesar 14,81.
2. Metode Double Exponential Smoothing (DES)
Pengolahan yang dilakukan secara manual dengan metode Double Exponential
Smoothing (DES) dari hasil perhitungan di atas dapat diketahui bahwa hasil
perhitungan manual dengan software Microsoft Excel adalah kesalahan peramalan
berjumlah -163,536, MAD adalah sebesar 58,859, nilai MSD adalah sebesar
5264,068, nilai tracking signal sebesar -2,778, dan peramalan penjualan bulan ke
13 adalah sebesar 1350,714 unit yang dibulatkan menjadi 1350 unit dan hasil dari
penyesuaian dengan persentase cacat 5% adalah sebesar 1421,804 unit yang
dibulatkan menjadi 1421 unit.

Pengolahan data yang kedua dilakukan secara komputerisasi dengan software QS

alpha yang digunakan pada peramalan secara manual dan komputerisasi memiliki
 perbedaan, kemudian pada software QS diperoleh nilai MAD adalah sebesar 58,46,
nilai MSD adalah sebesar 5202,44,dan hasil dari bias adalah sebesar 14,82.
3. Metode Adaptive Exponential Smoothing (AES)
Pengolahan yang dilakukan secara manual dengan metode Adaptive Exponential
Smoothing (AES) dari hasil perhitungan di atas dapat diketahui bahwa hasil
perhitungan manual dengan software Microsoft Excel adalah kesalahan peramalan
berjumlah -153,834, MAD adalah sebesar 59,317, nilai MSD adalah sebesar
5345,588, nilai tracking signal sebesar 0,953, dan peramalan penjualan bulan ke 13
adalah sebesar 1357,308 unit yang dibulatkan menjadi 1357 unit dan hasil dari
penyesuaian dengan persentase cacat 5% adalah sebesar 1428,746 unit yang
dibulatkan menjadi 1428 unit.

Pengolahan data yang kedua dilakukan secara komputerisasi dengan software QS

alpha yang digunakan pada peramalan secara manual dan komputerisasi memiliki
perbedaan, kemudian pada software QS diperoleh nilai MAD adalah sebesar 59,72,
nilai MSD adalah sebesar 5314,49, dan hasil dari bias adalah sebesar 12,92.
Pengolahan yang dilakukan baik secara manual maupun komputerisasi dilakukan
dengan nilai alpha yang berbeda-beda. Hal tersebut terjadi karena pada peramalan
secara komputerisasi, pemilihan nilai alpha dilakukan secara otomatis yang
nilainya lebih kecil dari pada perhitungan secara manual, kemudian ketiga metode
yang ada tersebut kemudian dibandingkan nilai MSD ketiga metode yang ada untuk
dipilih nilai yang paling kecil.

Berdasarkan perhitungan secara manual untuk metode Single Exponential

Smoothing (SES) diperoleh nilai MAD adalah sebesar 60,407 dan nilai MSD yaitu
5500,881. Metode Double Exponential Smoothing (DES) diperoleh nilai MAD
adalah sebesar 58,859 dan MSD adalah sebesar 5264,068 serta untuk metode
Adaptive Exponential Smoothing (AES) diperoleh niai MAD sebesar 59,317 dan
MSD sebesar 5345,588. Metode pengolahan data yang metodenya memiliki nilai
MSD terkecil adalah metode Double Exponential Smoothing (DES) dengan nilai
sebesar 5264,068, sehingga metode Double Exponential Smoothing (DES) dipilih
untuk digunakan untuk perhitungan selanjutnya karena MSD merupakan rata-rata
nilai kuadrat error, dan jika semakin kecil nilai MSD, maka hasil peramalan
semakin akurat atau mendekati nilai yang aktual.

Perhitungan untuk pengolahan data secara komputerisasi untuk pada metode Single
Exponential Smoothing (SES) diperoleh nilai MAD adalah sebesar 58,46 dan nilai
MSD sebesar 5203,11, kemudian pada metode Double Exponential Smoothing
(DES) diperoleh nilai MAD adalah sebesar 58,46 dan nilai MSD adalah sebesar
5202,44, dan yang terakhir pada metode Adaptive Exponential Smoothing (AES)
diperoleh nilai MAD adalah sebesar 59,72 dan nilai MSD sebesar 5314,49.
Perbandingan hasil dari ketiga metode tersebut yang memiliki nilai MSD terkecil
adalah metode Double Exponential Smoothing (DES) dengan nilai MSD sebesar
5202,44, sehingga metode yang dipilih untuk perhitungan tahap selanjutnya adalah
metode Double Exponential Smoothing (DES).

Nilai tracking signal pada metode terpilih untuk pengolahan data secara manual
dengan metode Double Exponential Smoothing (DES) adalah sebesar -2,778. Nilai
yang didapatkan tersebut menandakan bahwa hasil perhitungan menggunakan cara
manual dengan metode Double Exponential Smoothing (DES) telah akurat karena
tidak melewati batas kendali yang ditentukan dengan batas yaitu -4. Pada
pengolahan data secara komputerisasi menggunakan metode yang sama yaitu
Double Exponential Smoothing (DES) diperoleh nilai tracking signal sebesar
-0,254. Nilai tersebut menandakan bahwa hasil peramalan dengan menggunakan
cara komputerisasi dengan metode Double Exponential Smoothing (DES) masih
berada dalam batas kendali yang ditentukan, sehingga hasil peramalan dengan
mengguakan cara komputerisasi dengan metode Double Exponential Smoothing
(DES) sudah akurat.

Pembahasan tracking signal tidak dapat dilepaskan dengan pemahasan tentang

perhitungan penyesuaian dengan persentase cacat 5%. Dalam setiap kegiatan
produksi pasti terjadi yang dinamakan cacat pada produk, sehingga penyesuaian
dengan persentase cacat 5% berguna untuk kegiatan preventif peramalan yang akan
diproduksi untuk menjaga ketersediaan. Perhitungan secara manual dengan
 menggunakan metode Double Exponential Smoothing (DES), maka kuantitas
produk yang akan diproduksi adalah sebesar 1433 unit. Pada perhitungan secara
komputerisasi, kuantitas produk yang akan diproduksi sesuai dengan persentase
cacat 5% adalah sebesar 1433 unit.

3.4 Kesimpulan

Kesimpulan yang didapatkan dari hasil praktikum Time Series and Forcesting tersebut
adalah sebagai berikut:
1. Peramalan (forecasting) adalah suatu usaha untuk meramalkan keadaan di masa
mendatang melalui pengujian keadaan di masa lalu. Peramalan disini dimaksudkan
untuk memperkirakan sesuatu pada waktu yang akan dating berdasarkan data
penjualan masa lampau yang dianalisa dengan cara tertentu. Metode peramalan ada
tiga jenis yaitu metode ekstrapolasi atau deret berkala, mettode kausal atau
penjelasan dan metode kualitatif. Metode time series menggunakan riwayat
permintaan masa lalu dalam membuat ramalan dimasa depan. Sasarannya adalah
untuk mengidentifikasi pola data historis dan ekstrapolasi pola untuk masa depan.
Terdapat empat jenis pola yaitu stationer, musiman, siklus, dan trend,
2. Langkah-langkah dalam melakukan peramalan yaitu menentukkan pola dari data
penjualan PT Perasho 12 bulan terakhir dan setelah diketahui bahwa data tersebut
membentuk pola musiman (seasonal), maka metode peramalan yang dapat
digunakan adalah metode Single Exponential Smoothing (SES), metode Double
Exponential Smoothing (DES), dan metode Adaptive Exponential Smoothing
(AES). Langkah selanjutnya adalah menentukan MSD terendah dari metode yang
ada, selanjutnya mencari nilai tracking signal dan perhitungan terhadap metode
cacat,
3. Macam-macam ukuran yang digunakan untuk mengetahui kesalahan yang
digunakan untuk meramalkan penjualan produk pada PT Perasho diantaranya
adalah MAD (Mean Absolute Deviation) yaitu nilai total absolut dari kesalahan
peramalan yang dibagi dengan banyaknya data. Ukuran kesalahan yang lain adalah
MSD (Mean Square Deviation) yaitu penghitungan kesalahan yang berfungsi untuk
memperkuat angka-angka kesalahan besar dalam sistem peramalan, tetapi
memperkecil angka kesalahan peramalan yang lebih kecil dari satu unit.
4. Berdasarkan perhitungan peramalan yang telah dilakukan, dipilih satu metode yang
mempunyai nilai MSD terkecil, tracking signal yang tidak melebihi batas kendali
yang telah ditentukan, dan penyesuaian persentase cacat sebesar 5%. Pada
pengolahan data secara manual metode yang terpilih adalah metode Double
Exponential Smoothing (DES) karena memiliki nilai MSD terkecil yaitu sebesar
5264,068. Metode ini juga memiliki penyesuaian persentase cacat 5% yang terkecil
sebanyak 1433,162 yang dibulatkan menjadi 1433 unit, nilai tracking signal yang
berada di dalam kendali yaitu -2,778 dapat disimpulkan bahwa perhitungan sudah
akurat. Pada pengolahan data secara komputerisasi dipilih metode Double
Exponential Smoothing (DES) karena memiliki nilai MSD terkecil yaitu sebesar
5202,44, penyesuaian persentase cacat 5% sebanyak 1433,162 yang dibulatkan
menjadi 1433 unit dan nilai TS yang masih berada dalam batas kendali sebesar
-0,254.