STUDI KASUS

PT. Citra Prima memiliki permintaan selama periode 12 bulan

yaitu dari bulan Juli 2016 hingga Juni 2017 yang
dapat dilihat pada tabel berikut:

BULAN PERIODE (t) PERMINTAAN (Yt)

Jul-16 1 820
Aug-16 2 745
Sep-16 3 690
Oct-16 4 820
Nov-16 5 785
Dec-16 6 650
Jan-17 7 940
Feb-17 8 780
Mar-17 9 700
Apr-17 10 720
May-17 11 760
Jun-17 12 735
GRAFIK PERMINTAAN
 PERHITUNGAN PERAMALAN DENGAN METODE REGRESI LINIER

PERIODE (t) PERMINTAAN PERAMALAN

t*Y(t) t^2 ERROR Abs. E
Y(t) Y'(t)
1 820 820 1 779.67948718 40.320513 40.320513
2 745 1490 4 776.48018648 -31.48019 31.480186
3 690 2070 9 773.28088578 -83.28089 83.280886
4 820 3280 16 770.08158508 49.918415 49.918415
5 785 3925 25 766.88228438 18.117716 18.117716
6 650 3900 36 763.68298368 -113.683 113.68298
7 940 6580 49 760.48368298 179.51632 179.51632
8 780 6240 64 757.28438228 22.715618 22.715618
9 700 6300 81 754.08508159 -54.08508 54.085082
10 720 7200 100 750.88578089 -30.88578 30.885781
11 760 8360 121 747.68648019 12.31352 12.31352
12 735 8820 144 744.48717949 -9.487179 9.4871795
78 9145 58985 650 9145 0 645.8042

b -3.1993006993
a 782.87878788
ME 0
MAD 53.817016317
MSE 5179.9363831
MAPE 7.0028743531
E REGRESI LINIER GRAFIK PERBANDINGAN ANTARA
PERMINTAAN DENGAN PERAMALAN

Abs.E /
E^2 Y(t)
1000
1625.74375 0.0491714
991.002141 0.0422553 900
6935.70594 0.1206969 800
2491.84815 0.0608761 700
328.251619 0.0230799
600
12923.8208 0.1748969
32226.1081 0.1909748 500
515.999288 0.0291226 400
2925.19605 0.0772644 300
953.931461 0.0428969
200
151.62277 0.016202
90.0065746 0.0129077 100
62159.2366 0.8403449 0
1 2 3 4 5 6 7 8 9 10 11 12

kesimpulan
Jadi dapat ditarik kesimpulan bahwa :
1. Forecasting berperan sangat penting dalam pengambilan kep
2. Analisis Regresi merupakan studi ketergantungan satu atau le
3. Tujuan analisis regresi adalah untuk mendapatkan pola hubun
4. Ada 2 pendekatan yang dapat di pakai dalam peramalan yakn
5. Untuk mengukur tingkat kesalahan peramalan keseluruhan da
6. pola peramalan yang tercipta adalah pola data horizontal
7. Dari pola grafik yang ada kita bisa liat bahwa peramalan tidak
NGAN ANTARA
AN PERAMALAN

permintaan
peramalan

8 9 10 11 12

dalam pengambilan keputusan khususnya dalam dunia bisnis.

ergantungan satu atau lebih X variable bebas terhadap Y variable terikat dengan maksud untuk meramalkan nilai Y
mendapatkan pola hubungan secara matematis antara X dan Y mengetahui perubahan variable X terhadap Y dan memprediksi Y jika nil
ai dalam peramalan yakni analisis kuantitatif dan kualitatif. Analisis kuantitatif menggunakan model matematis dengan data historis dan
eramalan keseluruhan dapat dilakukan degan menganalisis MSE, MAD, MAPE
pola data horizontal
bahwa peramalan tidak terdapat pengaruh yang significant terhadap permintaan selama 12 bulan di PT Citra Prima
 alkan nilai Y
adap Y dan memprediksi Y jika nilai X diketahui.
atematis dengan data historis dan kausal. Seperti yang kita gunakan ini

PT Citra Prima
 PERHITUNGAN PERAMALAN DENGAN METODE REGRESI KUA

PERIODE PERMINTAAN PERAMALAN

t^2 t^3 t^4 t*Y(t) t^2*Y(t)
Y(t) Y'(t)
1 820 1 1 1 820 820 769
2 745 4 8 16 1490 2980 772
3 690 9 27 81 2070 6210 773
4 820 16 64 256 3280 13120 773
5 785 25 125 625 3925 19625 772
6 650 36 216 1296 3900 23400 770
7 940 49 343 2401 6580 46060 767
8 780 64 512 4096 6240 49920 763
9 700 81 729 6561 6300 56700 757
10 720 100 1000 10000 7200 72000 751
11 760 121 1331 14641 8360 91960 743
12 735 144 1728 20736 8820 105840 734
78 9145 650 6084 60710 58985 488635 9145

γ -306020
δ 5490
θ 80630
α -22308
β -1716
b 4.3169330669
c -0.5781718282
a 765.34090909
ME 0
MAD 53.0388361638
MSE 5142.7567224
MAPE 6.9233695554
TODE REGRESI KUADRATIS GRAFIK PERBANDINGA
PERMINTAAN DENGAN P

ERROR Abs. E E^2 Abs.E / Y(t)

1000
51 50.92032967 2592.88 0.06
900
-27 26.662087912 710.87 0.04
800
-83 83.088161838 6903.64 0.12
47 46.642107892 2175.49 0.06 700
13 12.528721279 156.97 0.02 600
-120 120.42832168 14502.98 0.19
500
173 172.77097902 29849.81 0.18
400
17 17.126623377 293.32 0.02
-57 57.361388611 3290.33 0.08 300
-31 30.693056943 942.06 0.04 200
17 17.131618382 293.49 0.02
100
1 1.1126373626 1.24 0.00
0
0 636.46603397 61713 0.8308043 1 2 3 4 5 6 7 8

kesimpulan
Jadi dapat ditarik kesimpulan bahwa :
1. Regresi non linier / kuadratik ialah be
2. Ada 2 pendekatan yang dapat di paka
3. Untuk mengukur tingkat kesalahan pe
4. pola peramalan yang tercipta adalah p
5. Dari pola grafik yang ada kita bisa liat
 GRAFIK PERBANDINGAN ANTARA
PERMINTAAN DENGAN PERAMALAN

permintaan
peramalan

3 4 5 6 7 8 9 10 11 12

ditarik kesimpulan bahwa :

non linier / kuadratik ialah bentuk hubungan atau fungsi di mana variabel bebas X dan atau variabel tak bebas Y dapat berfungsi sebagai fa
endekatan yang dapat di pakai dalam peramalan yakni analisis kuantitatif dan kualitatif. Analisis kuantitatif menggunakan model matematis
mengukur tingkat kesalahan peramalan keseluruhan dapat dilakukan degan menganalisis MSE, MAD, MAPE
amalan yang tercipta adalah pola yg masih sama yaitu pola horizontal
a grafik yang ada kita bisa liat bahwa peramalan tidak terdapat pengaruh yang significant terhadap permintaan selama 12 bulan di PT Citra
dapat berfungsi sebagai faktor atau variabel dengan pangkat tertentu.
gunakan model matematis dengan data historis dan kausal. Seperti yang kita gunakan ini

lama 12 bulan di PT Citra Prima

PERHITUNGAN PERAMALAN DENGAN METODE DOUBLE EXPONENTIAL SMO

PERIODE PERMINTAAN PERAMALAN

S't S"t S't-S"t a b
Y(t) Y'(t)
1 820 820 820 0 820 0
2 745 812.5 819.25 -6.75 805.75 -0.75 820
3 690 800.25 817.35 -17.1 783.15 -1.9 805
4 820 802.225 815.8375 -13.6125 788.6125 -1.5125 781.25
5 785 800.5025 814.304 -13.8015 786.701 -1.5335 787.1
6 650 785.4523 811.4188 -25.96658 759.4857 -2.88518 785.1675
7 940 800.907 810.3676 -9.46062 791.4464 -1.05118 756.6005
8 780 798.8163 809.2125 -10.39619 788.4201 -1.15513 790.395225
9 700 788.9347 807.1847 -18.25004 770.6847 -2.02778 787.265
10 720 782.0412 804.6704 -22.62916 759.4121 -2.51435 768.65686775
11 760 779.8371 802.1871 -22.34995 757.4871 -2.48333 756.89771195
12 735 775.3534 799.5037 -24.1503 751.2031 -2.68337 755.0038186325
78 9145 9546.819 9731.286 -184.4668 9362.353 -20.4963 8593.336623333

α 0.1

ME -22.361385278
MAD 59.9033499527
MSE 6896.8425679
MAPE 7.9766119453
EXPONENTIAL SMOOTHING (BROWN)
GRAFIK PERBANDINGAN ANTAR
PERMINTAAN DENGAN PERAMA

Abs.E /
ERROR Abs. E E^2 1000
Y(t)
900
-75 75 5625 0.10 800
-115 115 13225 0.17
38.75 38.75 1501.5625 0.05 700
-2.1 2.1 4.41 0.00 600
-135.1675 135.1675 18270.253 0.21
183.3995 183.3995 33635.377 0.20 500

-10.39523 10.39523 108.0607 0.01 400

-87.265 87.265 7615.1802 0.12
-48.65687 48.65687 2367.4908 0.07 300

3.102288 3.102288 9.6241911 0.00 200

-20.00382 20.00382 400.15276 0.03
100
-268.3366 718.8402 82762.111 0.957193
0
1 2 3 4 5 6 7 8 9

Kesimpulan :
1. pola data yang terbentuk adalah pola data H
IK PERBANDINGAN ANTARA
NTAAN DENGAN PERAMALAN

permintaan
pera ma l an

5 6 7 8 9 10 11 12

rbentuk adalah pola data Horizontal, yang terjadi bilamana data berfluktuasi di sekitar data yang konstan.
 PERHITUNGAN PERAMALAN DENGAN METODE DES Holt

PERMINTAAN PERAMALAN
PERIODE S(t) b(t) ERROR Abs. E
Y(t) Y'(t)
1 820 820 0
2 745 805 -4.5 820 -75 75
3 690 778.4 -11.13 800.5 -110.5 110.5
4 820 777.816 -7.9662 767.27 52.73 52.73
5 785 772.87984 -7.057188 769.8498 15.1502 15.1502
6 650 742.65812 -14.00655 765.822652 -115.8227 115.82265
7 940 770.92126 -1.325642 728.65157448 211.34843 211.34843
8 780 771.67649 -0.701379 769.5956179952 10.404382 10.404382
9 700 756.78009 -4.959886 770.9751157276 -70.97512 70.975116
10 720 745.45617 -6.869098 751.8202069699 -31.82021 31.820207
11 760 742.86965 -5.584322 738.5870675456 21.412932 21.412932
12 735 736.82827 -5.721442 737.2853319534 -2.285332 2.285332
78 9145 9221.2859 -69.8217 8420.357366672 -95.35737 717.44925

α 0.2
ϒ 0.3

ME -7.9464472226
MAD 59.7874372192
MSE 7129.187946136
MAPE 7.8138243521
TODE DES Holt
GRAFIK PERBANDINGAN
PERMINTAAN DENGAN PER

Abs.E /
E^2 Y(t) 1000

900

800
5625 0.10
700
12210.25 0.16
600
2780.4529 0.06
500
229.52856004 0.02
400
13414.88671631 0.18
300
44668.15696978 0.22 200
108.2511649018 0.01 100
5037.467052553 0.10

7 7 0 .9 2 1 2 59 5 84
7 4 2 .65 8 1 2 1 6
0

7 72 .8 79 8 4
7 7 7.8 1 6
7 7 8 .4
805
1012.52557161 0.04
458.5136762971 0.03
5.2227421371 0.00
745 690 820 785 650 940
85550.25535364 0.9376589

Kesimpulan :
1. pola data yang terbentuk adalah pola horizontal ya
 GRAFIK PERBANDINGAN ANTARA
PERMINTAAN DENGAN PERAMALAN

pe rmi nta a n
pe ra ma l a n
7 5 6 .78 0 0 9 2 5 8 2 1

7 36 .8 28 2 65 5 6 2 7
7 7 1.6 7 6 4 94 3 9 6 2

7 4 2 .8 6 9 6 54 0 36 5
7 4 5 .4 5 6 1 6 5 5 7 6
7 7 0 .9 2 1 2 59 5 84
7 4 2 .65 8 1 2 1 6
7 72 .8 79 8 4
7 7 7.8 1 6
7 7 8 .4

690 820 785 650 940 780 700 720 760 735

bentuk adalah pola horizontal yang mana kurva berubah di sekitar sebuah nilai central, biasanya mean (rata-rata)
 REKAPITULASI ERROR

AKP Linier AKP Kuadratis DES Brown MDE Holt

ME 0 0 -22.3613852777 -7.9464472226
MAD 54 53 59.9033499527 59.7874372192
MSE 5180 5143 6896.84256788 7129.18794614
MAPE 7 7 7.9766119453 7.8138243521
MAPE Minimum

7
 STATISTIK U-THEIL

PERIODE PERMINTAAN PERAMALAN PEMBILANG PENYEBUT

Y(t) Y'(t)
1 820 769.0796703
2 745 771.6620879 0.0010572084 0.0083655562
3 690 773.0881618 0.0124384355 0.0054502049
4 820 773.3578921 0.0045693893 0.0354967444
5 785 772.4712787 0.0002334457 0.0018218322
6 650 770.4283217 0.0235352033 0.0295752363
7 940 767.2290210 0.0706504407 0.1990532544
8 780 762.8733766 0.0003319616 0.0289723857
9 700 757.3613886 0.0054081672 0.0105193951
10 720 750.6930569 0.0019225791 0.0008163265
11 760 742.8683816 0.0005661504 0.0030864198
12 735 733.8873626 2.1432858E-06 0.0010820637
78 9145 9145 0.1207151242 0.3242394194

U 0.6101659049
HEIL

kesimpulan
U lebih kecil dari pada 1
artinya : Teknik peramalan yang dievaluasi lebih baik dari pada metode Naïve,
Makin kecil nilai statistik-U, makin baik teknik peramalan dibandingkan dengan metode Naïve secara relatif.
e secara relatif.
 MOVING RANGE

PERIODE PERMINTAAN PERAMALAN ERROR MR MR Rata-Rata

Y(t) Y'(t)
1 820 769.0796703 50.9203297
2 745 771.6620879 -26.6620879 77.5824176
3 690 773.0881618 -83.0881618 56.4260739
4 820 773.3578921 46.6421079 129.7302697
5 785 772.4712787 12.5287213 34.1133866
6 650 770.4283217 -120.4283217 132.9570430
94.9684407
7 940 767.2290210 172.7709790 293.1993007
8 780 762.8733766 17.1266234 155.6443556
9 700 757.3613886 -57.3613886 74.4880120
10 720 750.6930569 -30.6930569 26.6683317
11 760 742.8683816 17.1316184 47.8246753
12 735 733.8873626 1.1126374 16.0189810
78 9145 9145 -5.684342E-13 1044.65284715 94.9684406503
G RANGE

A+ A- B+ B- BKA BKB 300.0000000

168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616

200.0000000
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616
100.0000000
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616 0.0000000
1 2 3 4 5 6 7
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616 -100.0000000
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616 -200.0000000
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616
168.09414 -168.09414 84.521912 -84.5219 252.61605 -252.616
-300.0000000
2017.12968 -2017.129679 1014.2629 -1014.26 3031.3926 -3031.39

DARI GRAFIK DIATAS DAPAT DISIMPULKA

- Jika ditemukan satu titik di luar bata

diversifikasi, harus ditentukan apah d
mencari peramalan baru. Jika dalam
peramalan yang di asumsikan sudah
 ERROR
A+
A-
B+
2 3 4 5 6 7 8 9 10 11 12 B-
BKA
BKB

FIK DIATAS DAPAT DISIMPULKAN :

itemukan satu titik di luar batas kendali pada saat peramalan

fikasi, harus ditentukan apah data harus di abaikan atau
ri peramalan baru. Jika dalam batas kendali, maka diasumsikan
alan yang di asumsikan sudah cukup baik.
 VERIFIKASI KESALAHAN PERAMALAN

PERIODE PERMINTAAN PERAMALAN ERROR RSFE Abs. E

Y(t) Y'(t)
1 820 769.0796703 50.9203297 50.9203297 50.9203296703
2 745 771.6620879 -26.6620879 24.2582418 26.6620879121
3 690 773.0881618 -83.0881618 -58.8299201 83.0881618382
4 820 773.3578921 46.6421079 -12.1878122 46.6421078921
5 785 772.4712787 12.5287213 0.3409091 12.5287212787
6 650 770.4283217 -120.4283217 -120.0874126 120.428321678
7 940 767.2290210 172.7709790 52.6835664 172.770979021
8 780 762.8733766 17.1266234 69.8101898 17.1266233766
9 700 757.3613886 -57.3613886 12.4488012 57.3613886114
10 720 750.6930569 -30.6930569 -18.2442557 30.6930569431
11 760 742.8683816 17.1316184 -1.1126374 17.1316183816
12 735 733.8873626 1.1126374 0.0000000 1.1126373626
78 9145 9145 -5.684342E-13 -4.7748472E-12 636.466033966

318.2330170
-318.2330170
SALAHAN PERAMALAN

10
Cumm. E MAD Tracking Signal 4MAD (-4MAD) 8MAD (-8MAD)
8

50.92033 50.92033 1 4 -4 8 -8 6
77.58242 38.791209 0.6 4 -4 8 -8 4
160.6706 53.55686 -1.0984572339 4 -4 8 -8
2
207.3127 51.828172 -0.2351580571 4 -4 8 -8
219.8414 43.968282 0.0077535232 4 -4 8 -8 0
1 2 3 4 5 6 7 8
340.2697 56.711622 -2.1175097619 4 -4 8 -8 -2
513.0407 73.29153 0.7188220318 4 -4 8 -8 -4
530.1673 66.270917 1.0534061306 4 -4 8 -8
-6
587.5287 65.280969 0.190695717 4 -4 8 -8
618.2218 61.822178 -0.2951085903 4 -4 8 -8 -8

635.3534 57.7594 -0.0192633124 4 -4 8 -8 -10

636.466 53.038836 -1.07173202E-14 4 -4 8 -8
4577.375 673.2403 -0.1694654453 48 -48 96 -96
KESIMPULAN :

Tracking signal di hitung sebaga

Suatu tracking signal disebut ba
dengan kesalahan peramalan n
 TRACKING SIGNAL
4MAD
8MAD
2 3 4 5 6 7 8 9 10 11 12
-4MAD
-8MAD

KESIMPULAN :

Tracking signal di hitung sebagai jumlah kesalahan pramalan ( Running sum forecast error / RSFE )
Suatu tracking signal disebut baik apabila nilai RFSE yang kecil dengan jumlah kesalahan peramalan positif hampir sama
dengan kesalahan peramalan negative dari kesalahan haruslah seimbang sehingga pusat atau titik tengah dari tracking signal mendekati n
f hampir sama
dari tracking signal mendekati nilai nol.